AI可可AI生活

你有没有想过，如何让AI变得更聪明，甚至比它的老师还强？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：从给AI请一位“混搭私教”，到为它建造一座“思想角斗场”进行团队作战。我们还会潜入AI的“梦境”，看看它如何复盘过去、预演未来，并顺便弄清楚它为什么有时会突然变成“复读机”。准备好了吗？让我们一起看看，这些研究如何从根源上提升AI解决复杂问题的能力。00:00:35 给AI模型请个“混搭”私教00:06:14 如何看见你看不到的数据？00:11:56 AI 的“梦境”，如何用过去预演未来00:18:07 AI科学家的工作法，像罗马人一样建角斗场00:24:48 AI为啥会变成“复读机”？本期介绍的几篇论文： [AI] Lightning Weave: Improving the Accuracy-Efficiency Frontier of Reasoning Models through Capability Composition[MIT & NVIDIA]https://arxiv.org/abs/2609.14708 ---[LG] Synthetic Nearest Neighbors: Extending Synthetic Controls for Matrix Completion with Missing Not at Random Data[Columbia University & MIT]https://arxiv.org/abs/2609.13586 ---[CL] Dream-RSI: Recursive Self-Improvement through Evolving Worlds[Google]https://arxiv.org/abs/2609.1485 ---[AI] Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science[Google Research]https://arxiv.org/abs/2609.15983 ---[CL] Mirror, Mirror on the Wall: Prompt Echoing in Small Instruct Language Models[Warsaw University of Technology]https://arxiv.org/abs/2609.15045 在小宇宙查看该单集文稿

今天，我们要深入AI的“大脑”，看看它是如何真正学会“思考”的。我们会探讨，是给AI请个“陪练”逐步放手，还是给它一张“地图”指引全局更有效？我们还会见证一场AI学习的“龟兔赛跑”，看看“快功夫”和“慢功夫”哪个更有前途。最后，我们将一起揭开AI如何从死记硬背走向融会贯通，以及我们该如何科学地看待它的“成绩单”。五篇最新论文，带你洞悉AI学习的底层智慧。00:00:34 给AI请个“陪练”，然后悄悄撤走00:04:54 AI干活，为什么喂给它地图比喂给它字典更管用？00:10:35 AI的快功夫与慢功夫00:16:03 AI对齐，一份被误解的成绩单00:20:42 AI怎么才能“活”起来，从死记硬背到融会贯通本期介绍的几篇论文：[LG] CanvasAnneal：Curriculum Reinforcement Learning for Diffusion Language Models[Google DeepMind]https://arxiv.org/abs/2609.13060 ---[AI] Beyond Vector Similarity：Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration[Google Cloud]https://arxiv.org/abs/2609.12464 ---[CL] Breaking the Token Ceiling：Distilling Smaller， Stronger Byte Models[Meta FAIR & University of Washington, Seattle]https://arxiv.org/abs/2609.12303 ---[LG] Distortion of AI Alignment Revisited：RLHF is a Decent Utilitarian Aligner[UC Berkeley]https://arxiv.org/abs/2609.12651 ---[AI] Hierarchical Prototype Emergence in Modern Hopfield Models[Stanford University]https://arxiv.org/abs/2609.12079 在小宇宙查看该单集文稿

你有没有想过，一群“健忘”的AI如何自发形成群体智慧？我们又该如何为AI量身定做一套“习题集”，培养出“四两拨千斤”的编程高手？本期节目，我们将一起探究几篇最新论文，看看科学家是如何通过“画地图”式的新方法进行信息检索，如何给AI做“信念体检”来判断它是否言行一致，以及如何引导AI从一团乱麻的“噪点”中走出清晰的思考路径。准备好，让我们一起解码AI思考与学习的底层智慧！00:00:36 AI界的“四两拨千斤”，如何养出一个小个子编程高手？00:05:48 AI的群体智慧，一个动作解释所有00:11:12 信息检索的内功，从存照片到画地图00:17:19 AI有“信念”吗？一张体检表告诉你答案00:22:42 从一团乱麻到清晰答案的思考路径本期介绍的几篇论文： [AI] FrogNano: Training a 4B Coding Agent via Online Task Synthesis[Froggy Team – Microsoft Research Montréal]https://arxiv.org/abs/2609.07925 ---[CL] Copying explains the collective behavior of AI agents in the wild[University of Konstanz & Intesa Sanpaolo]https://arxiv.org/abs/2609.09150 ---[IR] Generative Late-Interaction Embeddings For Visual Document Retrieval[King Abdullah University of Science and Technology (KAUST)]https://arxiv.org/abs/2609.11808 ---[AI] Beliefs and Behavior in Language Models[Toulouse School of Economics & CMU]https://arxiv.org/abs/2609.07943 ---[LG] Thinking with Looped Flows[EPFL & KAIST & University of Amsterdam]https://arxiv.org/abs/2609.11801 在小宇宙查看该单集文稿

你有没有想过，AI天才也需要“岗前培训”才能上岗？本期我们将从几篇最新论文出发，揭秘如何为AI搭建高效的“培训工厂”，并探索如何教AI学会“做事的方法论”，而不仅仅是“堆知识”。我们还会聊聊一个有趣的问题：AI会为了讨好你而放弃原则、变成一个“老好人”吗？最后，我们将从一个全新的角度，看看合作的本质，也许就藏在最底层的成本计算里。00:00:32 AI天才出厂后，谁给它做“岗前培训”？00:06:42 如何让AI的“学徒”跟上“大师”的脚步00:11:35 AI的进化，从“知道什么”到“该做什么”00:17:26 为什么AI会变成一个“老好人”？00:22:03 合作的秘密，藏在成本里本期介绍的几篇论文：[LG] Miles v0.1: Production-Level Post-Training[RadixArk]https://arxiv.org/abs/2609.08368 ---[LG] Online Draft Co-Training for Speculative Decoding in Large-Scale, Long-Context RL Post-Training[NVIDIA]https://arxiv.org/abs/2609.07108 ---[AI] Procedural Graphs: Self-Evolving Execution Structures for LLM Agents[Google]https://arxiv.org/abs/2609.09153 ---[CL] Measuring LLM Sycophancy under Sustained Multi-Turn Pressure[Texas A&M University & University of Cincinnati]https://arxiv.org/abs/2609.09090 ---[AI] Tapes Together Strong: The Co-evolution of Computation and Cooperation[Google]https://arxiv.org/abs/2609.10817 在小宇宙查看该单集文稿

AI如何才能学会自我进化，最终成为自己的师傅？为什么解决顶级难题要靠“AI专家团”，而不是一个超级大脑？本期节目，我们将从几篇最新论文出发，探讨AI如何从别人的失败中汲取智慧，看懂“剩饭”为何难倒英雄汉，并理解“看得懂”与“会动手”之间那道巨大的鸿沟。00:00:26 那个“笨”徒弟，正在悄悄学会自己当师傅00:07:02 AI解题的秘密，不是一个大脑，而是一套系统00:11:44 AI的“偏食症”，为什么聪明的模型更讨厌“剩饭”？00:17:21 人工智能看得懂，但不会干00:21:56 如何变得更聪明？答案是，多看看笨蛋是怎么想的本期介绍的几篇论文：[LG] The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement[Shanghai Jiao Tong University]https://arxiv.org/abs/2609.11873 ---[AI] An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics[NVIDIA]https://arxiv.org/abs/2609.10712 ---[LG] Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data[Stanford University]https://arxiv.org/abs/2609.11917 ---[AI] MindTopo: Can Foundation Models Reason in Topological Space?[Northwestern University]https://arxiv.org/abs/2609.11900 ---[CL] Negative Self-Distillation: Learning to Reason by Avoiding Flaws[University of Virginia]https://arxiv.org/abs/2609.11699 在小宇宙查看该单集文稿

今天，我们将一起“拆开”AI的大脑，看看做决策的竟然只有8个“员工”？我们还会揭秘AI排行榜的“偏科”陷阱，并为它请来一位完美的“虚拟陪练”和一位全能“秘书”。最后，再用一个简单又奇妙的几何学秘密，看穿AI决策的本质。让我们一同进入AI内部，一探究竟！00:00:23 AI做决策，到底需要多少“人”帮忙？00:05:38 AI排行榜的秘密，为什么第一名可能不是你想要的全才？00:11:01 给AI请个“陪练”，它就能开窍？00:16:09 给高手配个秘书，怎样才能让他越用越顺手？00:21:46 AI决策的“保守”秘密本期介绍的几篇论文：[CL] Through the Looking Glass: Directly Reading and Writing Transformers[University of Washington]https://arxiv.org/abs/2609.10210 ---[CL] What Does MMLU Actually Measure? A Psychometric Audit of Difficulty Structure in Aggregate Benchmark Scores[Stanford University]https://arxiv.org/abs/2609.09372 ---[LG] World-Time Compute with Verified Code World Models[Quome, Inc.]https://arxiv.org/abs/2609.09163 ---[CL] Osprey: Target-agnostic Pre-training Makes Stronger Drafters in Speculative Decoding[Together AI]https://arxiv.org/abs/2609.09338 ---[LG] Exact-Form Regret for Gradient Descent, Mirror Descent and Follow-the-Regularized-Leader[MIT]https://arxiv.org/abs/2609.09466在小宇宙查看该单集文稿

想知道AI的“大脑”里，是不是真的在上演一场场激烈的内部辩论？为什么有时候教它，掐头去尾、只给起点和终点，反而能让它学得更快？而面对超级难题，又是怎样一个“笨办法”在引导它一步步走向正确答案？本期节目，我们将深入几篇最新论文，聊聊AI“师傅”如何带出超越自己的“徒弟”，并揭开为什么你手机里的AI和新闻里的跑分冠军，可能是两回事。00:00:31 AI的“自我否定”，我们误解了它的工作方式00:05:22 老师傅的旧地图，怎么给新车导航？00:10:17 你用的AI，和新闻里的AI，是两回事00:16:00 为什么掐头去尾，反而教得更好？00:19:50 为什么聪明的AI，也需要一个笨办法？本期介绍的几篇论文：[CL] LLM Layers Immediately Correct Each Other[UC Berkeley]https://arxiv.org/abs/2609.07876 ---[LG] Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation[KAIST AI]https://arxiv.org/abs/2609.08798 ---[AI] API Benchmark Scores Do Not Reliably Transfer to Chatbot Interfaces[Stanford University]https://arxiv.org/abs/2609.08861 ---[CL] Revisiting Complete Reasoning Traces for Post-Training[NAVER AI Lab]https://arxiv.org/abs/2609.07103 ---[LG] Long-Horizon Language Model Reinforcement Learning via Progressive Point Matching[UC Berkeley]https://arxiv.org/abs/2609.07303 在小宇宙查看该单集文稿

你是否想过，AI不仅能当助手，更能成为科学家的“寻宝图”，预测未来的新发现？本期我们将一起探讨，AI如何学会从“挤牙膏”式写作进化到“一步到位”的神奇魔法，并首次“窥探”它的大脑，看看它是否真的理解了“2+5”和“二加五”的区别。我们还会揭示，如何通过一张“地图”让AI读懂万卷书，以及它学习掌握“祖传手艺”的秘密。00:00:29 AI 如何成为科学家的「寻宝图」00:06:12 语言模型，告别“挤牙膏”时代00:11:33 会做“2+5”，为何不会“二加五”？我们终于有办法偷看AI的大脑了00:17:29 给AI一张地图，它能更好地为你读书00:21:54 AI如何拥有“祖传手艺”？本期介绍的几篇论文：[LG] Hakken: Predicting future discoveries to fill the gaps in today's knowledge[SonyAI]https://arxiv.org/abs/2609.04494 ---[LG] Distilled Continuous Diffusion Language Models Can Write Code in Few Steps---or One[Duke University & Tsinghua University]https://arxiv.org/abs/2609.04531 ---[CL] Shared circuits predict whether LLMs generalize across formats in arithmetic reasoning[MIT]https://arxiv.org/abs/2609.04463 ---[AI] STAIR (STructure Aware Information Retriever): A novel dataset and LLM based retriever for document structure augmentation[IBM]https://arxiv.org/abs/2609.03874 ---[AI] SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams[National University of Singapore & Institute of Advanced Intelligence and Computing (IAIC)]https://arxiv.org/abs/2609.02217 在小宇宙查看该单集文稿

你有没有觉得，AI时而像个无所不能的天才，时而又像个会钻牛角尖的“笨小孩”？本期节目，我们将通过几篇最新论文，一探究竟：为何AI会固执地采纳错误答案，又为何会被最简单的“跟我读”骗术“催眠”？同时，我们也将看到AI如何化身“科研总管”，以及一份好的“设计图”为何在未来可能比代码本身更值钱。准备好，让我们一起揭开AI这些既矛盾又迷人的行为背后的秘密。00:00:33 AI的“小固执”，为什么它信你，却不听你的？00:07:48 未来，你的代码可能一文不值00:13:33 为什么AI解难题，也会钻牛角尖？00:18:37 为什么AI会被最简单的骗术“带偏”？00:23:09 让AI当科研总管，是一种什么体验？本期介绍的几篇论文：[CL] Evidence Integration in Large Language Models[MIT]https://arxiv.org/abs/2609.04290 ---[AI] Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool[Google DeepMind & MIT]https://arxiv.org/abs/2609.05364 ---[LG] Fractal basins trap latent reasoning[The University of Texas at Austin]https://arxiv.org/abs/2609.04963 ---[AI] Repeat-After-Me: Black-Box Adaptive Visual Prompt Injection[UC Berkeley & FAIR at Meta]https://arxiv.org/abs/2609.04533 ---[AI] La Agente Óptima: Towards Agentic Self-Driving Laboratories[University of Toronto & 700 University Ave]https://arxiv.org/abs/2609.04564 在小宇宙查看该单集文稿

你有没有想过，我们能用音乐均衡器的思路，让AI画画提速40%？本期节目，我们将一起钻进AI的“大脑”，看看给它一条笔直的“高速公路”为什么反而会“堵车”，以及如何用一个“科学沙盒”来分辨AI究竟是真正的科学家，还是只会刷题的学霸。我们还会聊到一篇最新论文，它发现了一个几乎被所有人忽略的“小开关”，却能成为大模型训练的超级加速器。让我们一起从这些最新论文中，发现那些大道至简的AI智慧吧！00:00:34 AI绘画的“均衡器”00:04:47 大道至简，AI 设计蛋白质，需要绕多大的弯？00:09:13 解锁AIGC的终极速度，从颠簸小路到笔直高速00:14:36 给AI一个沙盒，看它能不能成为科学家00:20:56 大模型微调，一个被忽略的开关本期介绍的几篇论文：[CV] Balancing Frequencies and Pixels in Flow Matching[CNRS]https://arxiv.org/abs/2609.02748 ---[LG] SimpleDesign：A Joint Model for Protein Sequence and Structure Codesign[Apple]https://arxiv.org/abs/2609.03377 ---[CV] A Lagrangian View of Flow Matching[Google]https://arxiv.org/abs/2609.00198 ---[AI] Science sandboxes measure the scientific capability of AI agents[The Broad Institute of MIT and Harvard & The Jackson Laboratory & Sutter Hill Ventures]https://arxiv.org/abs/2608.30165 ---[LG] Normalized Low-Rank Adaptation[Yuanshi Intelligence & Microsoft Research]https://arxiv.org/abs/2608.31036 ---[CV] Balancing Frequencies and Pixels in Flow Matching[CNRS]https://arxiv.org/abs/2609.02748 ---[LG] SimpleDesign：A Joint Model for Protein Sequence and Structure Codesign[Apple]https://arxiv.org/abs/2609.03377 ---[CV] A Lagrangian View of Flow Matching[Google]https://arxiv.org/abs/2609.00198 ---[AI] Science sandboxes measure the scientific capability of AI agents[The Broad Institute of MIT and Harvard & The Jackson Laboratory & Sutter Hill Ventures]https://arxiv.org/abs/2608.30165 ---[LG] Normalized Low-Rank Adaptation[Yuanshi Intelligence & Microsoft Research]https://arxiv.org/abs/2608.31036 在小宇宙查看该单集文稿

你有没有想过，我们能不能像给人指路一样，只对机器人“指一下”就让它心领神会？怎样才能给AI一本“武功秘籍”，让它告别“瞎忙”，拥有真正高手的“手感”？本期节目，我们将通过几篇最新论文，揭示AI如何抛开事物的表象、看见动作的“骨骼”，并探索如何用一个更统一、不“精神分裂”的大脑，来更高效地理解这个世界。00:00:28 让机器人认路，只需要教它“指一下”？00:05:23 让AI告别“瞎忙”，给它一本“武功秘籍”00:10:35 大模型提速的“第三条路”00:15:35 抛开皮囊，看见骨骼，机器人怎么学“手艺”00:20:43 AI的大脑，怎样才能不精神分裂本期介绍的几篇论文：[RO] LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation[Light Origins Team]https://arxiv.org/abs/2608.30935 ---[AI] Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills[Beijing Academy of Artificial Intelligence]https://arxiv.org/abs/2609.02749 ---[LG] Unlocking Lossless Speedups in LLMs via Discrete Diffusion[Institue of Foundation Models]https://arxiv.org/abs/2609.04010 ---[CV] RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation Learning[Rice University]https://arxiv.org/abs/2609.03199 ---[IR] NeoMME: A Single-Tower Multimodal-Native Multilingual Foundation Encoder for Efficient Fine-Tuning and Inference[H Company]https://arxiv.org/abs/2609.01657 在小宇宙查看该单集文稿

本期节目，我们将一同潜入几篇最新论文，看看AI如何抛弃“二手经验”直击真实世界，又如何在虚拟社会里学会了作弊与“吹哨”。我们还会发现，AI正通过巧妙的任务拆分和精准分工，努力挣脱“平均分”的陷阱，去追求那极少数的“高光时刻”。这些来自AI的进化心法，或许能给我们带来意想不到的人生启发。00:28:07 抛弃“二手经验”，直击真实世界，一次预测未来的思维升级00:05:18 当100个AI被关进同一个房间，它们没有毁灭世界，而是学会了作弊与“吹哨”00:12:17 把两件事拆开做，到底有多爽？——一篇前沿AI论文里的人生算法00:18:19 别让所有人都来开会，从AI“混合专家”模型看极简管理与分工智慧00:24:03 别被“平均分”骗了，从平庸到顶尖，你只需要换一种计分牌本期介绍的几篇论文：[LG] WeatherNext 3：Increasing resolution and performance of global weather models with raw observations[Google DeepMind & Google Research]https://arxiv.org/abs/2609.03582 ---[AI] A Case Study on Emergent Cheating and Whistleblowing in Autonomous Research Swarms[Google DeepMind]https://arxiv.org/abs/2609.04170 ---[LG] Free Pause Tokens[Microsoft & Cornell University]https://arxiv.org/abs/2609.03807 ---[LG] Towards a Statistical Understanding of Mixture-of-Experts[Tsinghua University]https://arxiv.org/abs/2609.03501 ---[LG] Tail-Likelihood Reinforcement Learning[Carnegie Mellon University (CMU)]https://arxiv.org/abs/2609.02987 在小宇宙查看该单集文稿

本期，我们来聊聊AI如何从一个“普通学生”被系统地培养成编程竞赛的世界冠军，甚至超越了人类状元。但与此同时，为什么我们身边的AI助理，处理复杂任务时却常常“走着走着就散架”了？我们又该如何教会AI管理自己的“注意力”，像人一样划重点？以及，如何通过精准定位它“第一次犯错的瞬间”，让它的学习效率实现飞跃？四篇最新论文，带我们深入AI的“学霸心法”，揭示智能背后的策略、局限与成长之道。00:00:37 AI学会考试了，而且比状元考得还好00:06:06 你的AI助理，为啥走着走着就“散架”了？00:11:30 AI的注意力，该由谁做主？00:16:47 如何让机器学会聪明，抓住第一次犯错的瞬间00:22:08 知识的“断舍离”，我们究竟该记住什么？本期介绍的几篇论文：[LG] Post-Training Language Models for Gold-Medal Performance in Coding Competitions[NVIDIA]https://arxiv.org/abs/2609.02849 ---[AI] How Fast Do Agents Rot? An Empirical Study of Long-Horizon Degradation in LLM Agents for Production Decision-Making[Microsoft AI]https://arxiv.org/abs/2609.01660 ---[CL] Language Models Can Control Their Own Attention[KAIST AI & Google DeepMind]https://arxiv.org/abs/2609.02737 ---[LG] Cliff: Learning Process Rewards from the First Mistake[Amazon Web Services]https://arxiv.org/abs/2609.02817 ---[LG] What Is Worth Representing? Representational Empowerment for Continual Model Construction[UC Berkeley & University of Tübingen]https://arxiv.org/abs/2609.02322 在小宇宙查看该单集文稿

本期我们来聊聊AI世界正在悄然发生的一场“效率革命”。如何只花十分之一的成本，就猜对AI巨头的“天机”？又如何让AI靠“复读”关键知识，聪明地战胜一味地“堆料”？我们还会探讨一个反常识的现象：为什么一个好的AI老师，关键时刻要学会“闭嘴”？AI的能力飞跃，究竟是学会了新招，还是把旧招用得更溜了？四篇最新的AI论文，带你洞悉AI世界的效率革命与学习智慧。00:00:33 如何用十分之一的成本，猜对AI巨头的“天机”？00:06:17 如何让“笨学生”学得更快？关键在于让“老师”适时闭嘴00:11:26 AI变聪明，是学会了新招，还是旧招用得更溜了？00:16:47 AI训练的内卷，如何用“复读”战胜“堆料”？00:22:44 当AI被骗，它的大脑里发生了什么？本期介绍的几篇论文：[LG] Efficiently Estimating Optimal Hyperparameter Scaling Laws through Power-Law Entropy Search[Meta]https://arxiv.org/abs/2609.01431 ---[CL] Knowledge Distillation During Mid-Training Favors Reasoning over Factual Recall[Meta AI & Princeton University]https://arxiv.org/abs/2609.01532 ---[CL] From Base Rollouts to RL Reasoning: A Budgeted Search Perspective[Fudan University & Zhipu AI & Tsinghua University]https://arxiv.org/abs/2609.01274 ---[LG] SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers[Tsinghua University & ByteDance Seed & M-A-P]https://arxiv.org/abs/2609.01343 ---[LG] How Do Language Models Choose Between Context and Memory?[Stanford University]https://arxiv.org/abs/2609.00753 在小宇宙查看该单集文稿

想知道AI混沌的“数字粥”里，是不是藏着一张我们能读懂的清晰地图吗？想见识一下比人类专家还厉害的“AI教练”，是如何给它的同类“治病”的吗？我们还会探讨，当所有人都想抄“流量密码”的作业时，内容世界为何会变得越来越无聊，以及最后，我们将揭秘一场AI的“省油”革命，看看聪明的设计如何让AI告别傻大黑粗。00:00:28 AI的“黑箱”里，藏着一套我们熟悉的旧地图00:06:09 比人类专家还强？AI正在学会自己给自己“治病”00:11:34 当所有人都想抄第一名的作业00:17:10 AI的“省油”革命，如何用更少的资源，办更大的事？00:22:44 AI创作的秘密，不是靠魔法，而是靠一张地图本期介绍的几篇论文：[CL] The Emergent Symbolic Structure of Artificial Neural Networks[Yale University & Johns Hopkins University & New York University]https://arxiv.org/abs/2608.29530 ---[AI] Automated Researchers Can Reliably Mitigate Alignment Failures[Anthropic & UC Berkeley]https://arxiv.org/abs/2608.28945 ---[AI] CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target[UC Berkeley & Zhejiang University]https://arxiv.org/abs/2608.30466 ---[CL] On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability[Qwen Team]https://arxiv.org/abs/2608.30320 ---[LG] The information geometry of product-reference discrete diffusion: Interaction growth complexity and optimal scheduling[MIT]https://arxiv.org/abs/2608.28949 在小宇宙查看该单集文稿

我们总感觉AI越来越无所不能，但今天，我们要从几篇最新论文出发，给这份狂热踩一脚“科学的刹车”。我们会探讨AI为何读完人类所有书籍，却依然有无法跨越的语言天堑，并揭示其看似复杂的内部机制，其实隐藏着一个更简单的“有效维度”。同时，我们也会发现，解决最棘手问题的，有时反而是被我们忽略的“笨办法”，而看似混沌的AI训练过程，竟然也遵循着可以预测的“伸缩法则”。准备好了吗？让我们一起拨开AI的迷雾，看见那些真正重要的底层规律。00:00:39 AI读完了整个人类图书馆，为什么还是不懂你？00:05:39 最聪明的办法，常常是那个“笨办法”00:09:38 AI界的“孙子兵法”，如何用有限的资源打赢无限的战争00:16:05 AI大模型里的“降维打击”，你看见的复杂，不是真的复杂00:21:16 为什么好的目标，也会带你走上岔路？本期介绍的几篇论文：[CL] A Formal Limitation on Learning Human Language From Textual Corpora[Universitat Pompeu Fabra & ETH Zürich]https://arxiv.org/abs/2608.28560 ---[CL] Sliding-window beats linear attention[Microsoft]https://arxiv.org/abs/2608.28444 ---[CV] How Far Can 5,500 Hours of Driving Take You? A Scaling Law Analysis of Video Diffusion Models[valeo.ai]https://arxiv.org/abs/2608.28404 ---[LG] The Approximation Rank of Softmax Attention: Sharp Geometric Laws and Robust Interaction Dimension[Nanyang Technological University & CMU]https://arxiv.org/abs/2608.28150 ---[LG] How Proper Scoring Rules Shape LLM Forecasting[Lightning Rod Labs & INSEAD & University of Pennsylvania]https://arxiv.org/abs/2608.28482 在小宇宙查看该单集文稿

当AI学会了“活在当下”，不再被历史包袱拖累时，我们人类自己又该如何避免被它悄悄“废掉”核心能力呢？本期节目，我们不仅要探讨如何用一把特制的尺子去衡量AI是否真的懂我们的“不开心”，还将揭秘如何培养出一个靠谱的AI“批评家”，让它实现高效的自我进化。最后，我们会一起探寻训练AI时那个神秘的“档位”，看看这些最新论文将如何刷新我们对人机协作与AI成长的认知。00:00:33 让AI学会“活在当下”00:05:00 AI越来越聪明，但它真的懂你的“不开心”吗？00:09:24 那个替你干活的AI，正在悄悄“废掉”你00:13:48 AI的成长烦恼，一个“批评家”的自我修养00:20:39 训练AI的秘密“档位”本期介绍的几篇论文：[AI] SKILL.state: Scalable Long-Horizon Agent Skills[Google LLC & Purdue University]https://arxiv.org/abs/2608.26263 ---[CL] HealthBench-Psych: A Mental Health Subset of OpenAI's HealthBench[Beth Israel Deaconess Medical Center]https://arxiv.org/abs/2608.25071 ---[AI] AI Agents Push Humans Out of the Loop[Hugging Face]https://arxiv.org/abs/2608.23642 ---[LG] Best Practice Critic Optimization[National University of Singapore & Tencent Hunyuan]https://arxiv.org/abs/2608.23566 ---[LG] Effective Learning Rate Governs Loss Dynamics in Language Model Pretraining[Peking University & Ant Group]https://arxiv.org/abs/2608.24814 在小宇宙查看该单集文稿

我们总惊叹AI越来越聪明，但你有没有想过，一个能理解世间万物的“意义图书馆”和一个离完美交付总差一步的“95分陷阱”同时存在于AI身上？本期几篇最新论文将带我们一探究竟，看看如何为AI装上外部“工作室”和独立的“世界大脑”，甚至揭示出AI群体“不靠说话”的协作奥秘。准备好了吗？让我们一起看看AI如何从一个聪明的“答题者”，进化成一个可靠的“行动派”。00:00:32 AI的“意义图书馆”是怎么建成的？00:06:25 AI的大考，为什么「差不多」等于「差很多」00:10:45 人工智能的“外挂”，到底有多厉害？00:15:23 给AI游戏世界装上一个“大脑”00:20:36 人多，到底是力量大，还是乱糟糟？本期介绍的几篇论文：[CV] WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report[WeChat Vision, Tencent Inc.]https://arxiv.org/abs/2608.24053 ---[AI] FrontierChallenge: Evaluating Scientific Workflow Completion[Apodex Team]https://arxiv.org/abs/2608.24979 ---[AI] Prime Agent: A Self-Improving RLM Harness[Princeton University & Prime Intellect]https://arxiv.org/abs/2608.23552 ---[CV] Code World Model: Coding Agent as World Brain[Westlake University & Nanyang Technological University]https://arxiv.org/abs/2608.25927 ---[AI] SwarmWorld: Stigmergic technological evolution in societies of language-model agents[MIT]https://arxiv.org/abs/2608.26081 在小宇宙查看该单集文稿

本期我们要聊的几篇最新论文，简直就像是AI上演了一出精彩的“进化三重奏”。你有没有想过，AI不仅能亲自下场做实验，还能通过扔掉海量信息反而学得更快？我们还会看到，AI如何像一个不眠不休的科研团队那样在失败中进化，像军队一样高效分工，以及这一切的背后，如何靠一本“备忘录”将所有经验沉淀为真正的智慧。准备好了吗？让我们一起探索AI正在解锁的全新可能性！00:00:34 AI 不再只是“思想家”，它开始“动手”了00:04:59 AI 进化新思路，扔掉 95% 的信息，反而学得更好？00:10:55 AI的“试错”进化论00:17:42 将军与士兵，人工智能的完美分工00:22:55 给AI装个“备忘录”，为什么笨办法反而是真聪明？本期介绍的几篇论文：[AI] Accelerating Scientific Research with Gemini in the Real-World[Google DeepMind & Duke University & Columbia University]https://arxiv.org/abs/2608.26701 ---[CV] LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics[German Cancer Research Center & Mila]https://arxiv.org/abs/2608.27395 ---[AI] AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design[Hunan University & Nanjing University & The Chinese University of Hong Kong]https://arxiv.org/abs/2608.26747 ---[AI] Decoupling Planning and Control for Instructable Agents[UC Berkeley & Google DeepMind]https://arxiv.org/abs/2608.26788 ---[AI] WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution[Google Research]https://arxiv.org/abs/2608.27454 在小宇宙查看该单集文稿

你有没有想过，让AI变得更聪明，关键可能不是让它知道得更多，而是教会它如何更高效地“思考”？本期我们要聊的几篇最新论文，就深入到了AI的思维深处：从让AI懂得“选择性遗忘”以实现长时间推理，到揭开决定AI学习成败的三个神秘“开关”。我们甚至会看到，机器人是如何通过“自言自语”来规划复杂任务的。准备好一起探索AI大脑的内部运作机制了吗？我们马上开始！00:00:33 如何让AI长时间思考，还不“累”？00:05:05 给你一个确定性的菜谱，靠谱吗？00:10:44 你关心的问题，AI能比专家更快找到答案吗？00:16:24 拆开AI的“黑箱”，决定它聪明的三个开关00:22:50 机器人会思考，需要分几步？本期介绍的几篇论文：[CL] Prefix Sliding for efficient test-time scaling[Stanford University & University of California at Santa Barbara & University of Washington]https://arxiv.org/abs/2608.26070 ---[LG] Beyond Optimal Rates in Stochastic Optimization: Trajectory-Adaptive Stopping Rules[UC Berkeley & PSL Research University]https://arxiv.org/abs/2608.25551 ---[AI] Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings[Google Research]https://arxiv.org/abs/2608.26088 ---[LG] Demystifying Reinforcement Learning Post-Training of Language Models[University of Washington]https://arxiv.org/abs/2608.24949 ---[RO] R^3: Training Robots to Reason in Natural Language via Reinforcement Learning[Carnegie Mellon University (CMU)]https://arxiv.org/abs/2608.26053 在小宇宙查看该单集文稿

本期我们要聊点脑洞大开的：如果让一群AI自己组建科研社区，甚至给它们“放假”，会涌现出怎样的科学发现？我们会看到，AI真正的成长秘诀，不在于修正答案，而在于递归式地优化自己的“思考方法”，甚至学会像孙悟空一样用“分身术”同时探索多种可能。接着，当AI团队犯错时，我们将化身侦探，精准定位“责任人”，并揭秘一个让AI提速的妙招——不是靠堆算力，而是靠精明的“预算”分配。准备好了吗？让我们一起从几篇最新论文中，探寻这些关于AI工作流、团队协作与自我进化的深刻洞见。00:00:43 AI也需要“放假”？科学发现的新模式00:06:03 成长的秘密，不是优化答案，而是优化方法00:10:58 让AI学会“分身术”，我们能快多少？00:16:06 AI犯错，我们应该怪谁？00:20:55 AI 为什么那么慢？这篇论文给了个巧妙的答案本期介绍的几篇论文：[AI] Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment[DualverseAI & University of California San Diego]https://arxiv.org/abs/2608.23691 ---[AI] Metan^n: Recursive Self-Improvement through Emergent Depth[University of Minnesota & Seoul National University]https://arxiv.org/abs/2608.24735 ---[AI] Parason: Revealing Subtask and Trial Parallelism in LLM Reasoning[Tsinghua University & NVIDIA]https://arxiv.org/abs/2608.24658 ---[CL] Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research[Bar-Ilan University & UNC Chapel Hill]https://arxiv.org/abs/2608.24306 ---[CL] AgentSpec: Speculative Decoding for Batch Inference of LLM Agents[The Ohio State University & Microsoft Research & University of Michigan]https://arxiv.org/abs/2608.24004 在小宇宙查看该单集文稿

你有没有觉得，最聪明的AI有时也会犯一些“低级错误”？本期节目，我们就从几篇最新论文出发，去看看AI那些意想不到的“脆弱时刻”。我们将一起探索，为什么AI合作有时会“1+1<2”，甚至被少数派“带偏”；又为什么一个不起眼的错别字，就能让它瞬间“走神儿”。更重要的是，我们将看到科学家们如何像一位“自动马鞍匠”一样，为AI打造不断进化的外部装备，又如何通过“字斟句酌”的反馈，教会AI抵御外界的恶意指令。00:00:36 如何给AI装上一个“自动升级”的马鞍？00:05:13 为什么笼统的批评没用？从教AI“防骗”的底层逻辑说起00:10:36 1+1 < 2？合作的隐形成本00:15:48 一个好汉三个帮，AI为何越帮越忙？00:20:58 为什么一个错别字，就能让AI“走神儿”？本期介绍的几篇论文：[AI] AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces[POSTECH & KAIST & Southern University of Science and Technology]https://arxiv.org/abs/2608.23041 ---[AI] SecOPD: Mitigating Adaptive Prompt Injections by On-Policy Distillation[UC Berkeley]https://arxiv.org/abs/2608.21500 ---[CL] The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate[University of Notre Dame & Meta Superintelligence Labs]https://arxiv.org/abs/2608.22152 ---[CL] Aligned Alone, Misaligned Together: Forecasting Adversarial Capture in LLM Agent Populations[ETH Zurich & Tel Aviv University]https://arxiv.org/abs/2608.22444 ---[CL] Lexical Perturbations Disrupt LLM Reasoning: An Empirical Study of Attention Diversion[Missouri University of Science and Technology & University of North Texas]https://arxiv.org/abs/2608.22140 在小宇宙查看该单集文稿

你是否想过，如何给总爱“胡说八道”的AI配个从不说谎的“裁判”，让它成为绝对可靠的实干家？又该怎么让两个AI跳过聊天，直接“开个小会”高效同步想法？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：看AI如何一边深度思考，一边给自己“抢答”来提升速度；看机器人如何通过专属“陪练”从失败中自我开窍；最后，我们还会发现，通往最优解的道路，有时竟是一条返璞归真的捷径。00:00:34 让AI从“夸夸其谈者”变成“实干家”的秘密00:05:54 当AI学会了开小会00:10:23 让AI一边思考，一边抢答00:14:53 给机器人请个“陪练”，让它自己开窍00:19:03 优化世界的返璞归真之道本期介绍的几篇论文：[AI] AI with Authority, from Application to Silicon[J Hickey]https://arxiv.org/abs/2608.21356 ---[LG] Dual-Cache Latent Space Communication between Heterogeneous Language Models[J Liu, Q Zhang, Y Jia, Z Kan… — Amazon Web Services (AWS)]https://arxiv.org/abs/2608.20617 ---[CL] Self-Speculation for Faster Reasoning Models[R Valluri, T Nguyen, A Grover — University of California, Los Angeles]https://arxiv.org/abs/2608.20359 ---[RO] Beyond Imitation: Self-Improving Robot Policies via Off-Policy Q-Planning[V Giridhar, A Khandelwal, J A. Collins, I Georgiev… — Georgia Institute of Technology]https://arxiv.org/abs/2608.21204 ---[LG] Primal Acceleration of Newton's Method[N Doikov — Cornell University]https://arxiv.org/abs/2608.21359 在小宇宙查看该单集文稿

你是否想过，给AI的“私教”偷看标准答案，究竟是作弊还是神操作？为什么机器人模仿完美师傅反而会碰壁，甚至有时需要“闭着眼睛”走路？本期节目，我们将从几篇最新论文出发，揭示AI如何从模仿走向探索，以及强大的模型是如何在你的手机里实现性能飞跃的。让我们一起探寻这些AI“反常识”行为背后的智慧吧！00:00:29 AI界的“陪练”与“私教”00:06:33 机器人学艺，师傅领进门，修行靠自己00:11:55 机器人为什么要“闭着眼睛”走路？00:18:01 你的手机，为什么能越来越“聪明”？00:22:35 高手与笨蛋的分界线，在于如何面对复杂本期介绍的几篇论文：[LG] Le Critique: Privileged Value Functions for LLM Reinforcement Learning[Mistral AI]https://arxiv.org/abs/2608.16739 ---[RO] FetchMan: Learning Visual Humanoid Loco-Manipulation Policies from Simulated Experiences[University of California, Los Angeles & Allen Institute for AI]https://arxiv.org/abs/2608.17027 ---[RO] Revisiting Open-Loop Execution in Robotics: Toward Reactive, Higher-Performing Policies[MIT & UC Berkeley]https://arxiv.org/abs/2608.15938 ---[LG] FlashAttention for Scalable Vector Architectures[Chalmers University of Technology & University of Glasgow]https://arxiv.org/abs/2608.18656 ---[CV] Falcon Perception-HD: High Density Perception via Reinforcement Learning[Technology Innovation Institute]https://arxiv.org/abs/2608.18881 在小宇宙查看该单集文稿

今天，我们聊一个有趣的话题：让AI变聪明的关键，或许不在于更大的“大脑”，而在于更巧妙的“方法论”。我们将一起探索，如何只用一段普通视频就“复活”一个立体的你，又如何通过“画轨迹”的方式，创造出所有机器人都能听懂的世界语。我们还会揭示，为什么当前最强的AI也面临着“一离开老师就抓瞎”的窘境，以及如何为它请一位专属“私教”，让训练效率突飞猛进。准备好了吗？让我们看看这些最新论文是如何重新定义AI的学习与成长之路的。00:00:39 AI的“断奶”挑战，为什么最聪明的学生，一离开老师就“抓瞎”？00:05:23 AI变聪明的秘密，不是更大的脑子，而是更好的“马鞍”00:11:54 一段普通视频，如何“复活”一个立体的你？00:17:11 指挥机器人的终极密码，别说话，画轨迹00:22:14 AI的“健身房”也需要“私教课”本期介绍的几篇论文：[AI] ASI-Bench: At the Dawn of Artificial Superintelligence[Tsinghua University]https://arxiv.org/abs/2608.17271 ---[AI] Agent Lightning v1.0: Towards Harnessed Agentic RL[Microsoft & Fudan University & Zhejiang University]https://arxiv.org/abs/2608.17528 ---[CV] 4DAnyone: Create Anyone in 4D from a Casual Monocular Video[Zhejiang University & Robbyant]https://arxiv.org/abs/2608.20335 ---[RO] Hydra-0: Action Flow for Generalist World Modeling and Control[NVIDIA]https://arxiv.org/abs/2608.18077 ---[AI] EnvHarness: Awakening Static Worlds for Agent Learning[Washington University in St. Louis & Google Cloud AI Research]https://arxiv.org/abs/2608.19880 在小宇宙查看该单集文稿

给机器人请个“高人”当教练，它就能更快出师吗？你越是强调一个秘密，AI助理反而越容易通过“微表情”泄密？面对眼花缭乱的AI模型，怎样才能做出最“划算”的选择？我们又该如何把你电脑里那些只可意会的隐形操作，变成一本AI也能看懂的“武功秘籍”？本期节目，我们将透过几篇最新论文，一起探索如何让AI学会更高效地行动、更安全地协作，以及更聪明地为我们当好管家。00:00:33 给机器人请个“高人”当教练00:06:16 你的AI助理，可能是个藏不住事的“大嘴巴”？00:11:00 你的下一个AI，需要一个“划算”计算器00:17:13 如何让AI“学徒”早出师？00:21:37 你的电脑，藏着一本“隐形说明书”本期介绍的几篇论文：[AI] EXIMO: VLM Guided Exploration of VLA Policies[Google DeepMind]https://arxiv.org/abs/2608.19891 ---[LG] Inadvertent Context Leakage in Language Models[Meta Superintelligence Labs & UC Berkeley]https://arxiv.org/abs/2608.19857 ---[AI] Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation[Google DeepMind]https://arxiv.org/abs/2608.20316 ---[AI] MidTool: Mid-training Data Synthesis for Agentic Tool Use[University of Washington & Snowflake]https://arxiv.org/abs/2608.20314 ---[CL] Inducing Task Models from Computer-Use Traces[Stanford University & CMU]https://arxiv.org/abs/2608.20319 在小宇宙查看该单集文稿

你是否想过，AI要如何才能像武林高手一样“左右互搏”，自己给自己出题，实现无限成长？当它学习一项新技能时，又要如何避免像我们一样，一紧张就把基本功忘得一干二净？更神奇的是，我们还将看到AI如何不靠开颅手术，就能精准“读懂”我们大脑里的句子。本期节目，我们将通过几篇最新论文，一起探寻AI世界里关于学习、成长与解决复杂问题的非凡智慧。00:00:33 当AI学会“读心”，我们离未来还有多远？00:07:00 突破成长天花板，AI如何学会“左右互搏”，做自己最好的老师？00:12:39 告别“狗熊掰棒子”式的努力，从一台AI机器手的进化，看高手的“底层能力”构建00:16:14 破局“好与快”的死结，从猜答案到重塑底层逻辑的认知飞跃00:21:06 当麻烦“祸不单行”时，我们该如何破局？，，来自前沿AI算法的生存智慧本期介绍的几篇论文：[CL] Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings[Meta AI & Université PSI]https://arxiv.org/abs/2608.18114 ---[CL] SPADE: Self-Play in Adaptive Synthetic Executable Environments[University of Washington & Northeastern University & CMU]https://arxiv.org/abs/2608.19197 ---[RO] ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning[NVIDIA]https://arxiv.org/abs/2608.19182 ---[AI] Coupled-cluster molecular properties across the main group that extrapolate beyond training size[MIT]https://arxiv.org/abs/2608.18346 ---[LG] Continuous-Time Reinforcement Learning for Controlled Hawkes Jump-Diffusions[UC Berkeley]https://arxiv.org/abs/2608.19151 在小宇宙查看该单集文稿

今天，我们不聊堆算力的“大力出奇迹”，而是要探索几条让AI变得更智慧、更可靠的巧妙路径。我们会看到，一个简单的“反刍”机制，如何让AI不再健忘；一场内部“辩论赛”，又如何教会它诚实；“专家分工”的智慧，怎样让它在变强的同时还更省钱。最后，我们还会探究AI是如何学会像高手一样“抬头看路”地做决策，甚至在数学领域领悟“功夫在题外”的道理。准备好了吗？让我们一起揭开这些最新论文背后的绝妙构思。00:00:37 AI的“反刍”，一个让它更聪明的简单魔法00:05:10 如何让AI变得更聪明，同时还不变坏？00:09:50 AI 进化新思路，从“大力出奇迹”到“聪明分工”00:14:55 高手决策的秘密，既要埋头拉车，又要抬头看路00:20:36 AI做数学，功夫在诗外本期介绍的几篇论文：[LG] Recirculation[Google DeepMind]https://arxiv.org/abs/2608.17981 --- [LG] Debate Training Reduces Reward Hacking in RLAIF[Google DeepMind]https://arxiv.org/abs/2608.17776 --- [CV] MoE-ViE: Mixture of Experts Vision Encoder for Efficient Image and Video Understanding[Meta]https://arxiv.org/abs/2608.17402 --- [LG] Q-Learning With World Models[Stanford University & Peking University]https://arxiv.org/abs/2608.17163 --- [AI] The Problem Is the Problem: Towards Scalable Mathematical Discovery[CMU]https://arxiv.org/abs/2608.16977 在小宇宙查看该单集文稿

你有没有想过，聪明的AI也会犯傻，甚至像个没头脑的实习生？本期节目，我们就来聊聊如何让AI变得更“靠谱”。我们将一起看看，科学家们如何用AI工具去解决古老的数学难题，如何洞悉AI群体的“集体意识”，是会变得更聪明还是更固执，以及如何教会AI拥有一个好记性，并像人一样学会“反思”自己。00:00:28 给你一把新扳手，拧紧一颗老螺丝00:05:56 AI的“集体意识”，乌合之众还是三个臭皮匠？00:10:51 如何才能拥有一个好记性？00:15:37 为什么聪明的AI，干起活来却像个“没头脑”？00:21:07 给AI立规矩，为什么不能靠“死命令”？本期介绍的几篇论文：[LG] Improving the matrix multiplication exponent with modern optimization and AlphaEvolve[Google DeepMind]https://arxiv.org/abs/2608.16884 ---[AI] Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents[Stanford University & UC Santa Barbara]https://arxiv.org/abs/2608.16578 ---[LG] Proteus: Incremental Memory Activation for Long-Context Sequence Modeling[Mila & Google]https://arxiv.org/abs/2608.16844 ---[CL] How Do Agents Fail on AutoResearch: End-to-End Diagnostic Evaluation on 100 Real-World Frontier Research Tasks[Prentis AI]https://arxiv.org/abs/2608.14905 ---[CL] CAPO: Constraint-Aware Prompt Optimization for LLM Agents[Microsoft]https://arxiv.org/abs/2608.16068 在小宇宙查看该单集文稿

今天我们来当一回AI世界的侦探，看看AI的“黑箱”里都藏着哪些秘密。我们将揭开AI绘画两大流派的统一秘诀，看看AI的大脑里是不是也分出了“文科”和“理科”部门。接着，我们会分辨AI是在“真思考”还是在“表演思考”，并学习它如何为未知游戏自建一个“数字孪生”。最后，再看看科学家如何给这个聪明的“大脑”进行一次外科手术级的精准“瘦身”，让它跑得更快更好。00:00:31 AI绘画高手，为何在“半路”上吵翻了天？00:06:03 AI的大脑里，也分“文科”和“理科”吗？00:10:21 你是在真思考，还是在表演思考？00:15:38 如何像高手一样，玩一把没说明书的游戏？00:20:16 AI绘画的“火候”，高手与庸才的分野本期介绍的几篇论文：[LG] Designing Reinforcement Learning for Diffusion Models: A Unified Path-Space View[Peking University & ByteDance Seed]https://arxiv.org/abs/2608.14430 ---[AI] Modular Cognitive Architecture Emerges in Large Language Models[MIT]https://arxiv.org/abs/2608.13567 ---[CL] Amplified Does Not Mean Predictive: Reasoning Behaviors in Thinking Models[CMU]https://arxiv.org/abs/2608.13760 ---[AI] Twin: Playing an Unknown Game with a Test-Time Digital Twin[Yeshiva University & Stanford University & Cornell University]https://arxiv.org/abs/2608.14490 ---[LG] Adversarial Learning of Classifier-Free Guidance Schedules[Google & Google DeepMind]https://arxiv.org/abs/2608.14038 在小宇宙查看该单集文稿

我们总觉得AI变得更强，就是模型更大、算力更猛，但今天我们要聊点不一样的。最新几篇论文告诉我们，真正的智能升级，是教会AI拥有科学家的“品味”，甚至赋予它类似人类的“情绪”来感知对错。同时，我们还要用一点小小的“随机”来防止它学会“耍滑头”，并在一场终极“摸底考”中，看清它距离人类顶尖黑客到底还有多远。准备好了吗？让我们一起看看，AI如何被塑造出更深邃的智慧。00:00:33 AI 会“品”，科学大不同00:07:02 你的AI有“情绪”了，而且这决定了它的智商00:13:00 如何防止你的AI员工「耍滑头」？00:18:15 人工智能摸底考，为什么黑客的饭碗暂时还很稳？00:24:19 AI法官的“内心戏”，一个比准确率更重要的指标本期介绍的几篇论文：[LG] Training AI Scientists to Replicate Research[Inherent]https://arxiv.org/abs/2608.13331 ---[AI] Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution[University of Science and Technology of China & University of Oxford & University of Arizona]https://arxiv.org/abs/2608.09248 ---[LG] Rubric Dropout: A Simple Way to Mitigate Reward Hacking in Rubric-as-Reward RL[Scale AI & University of Arizona]https://arxiv.org/abs/2608.11669 ---[AI] The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark[Columbia University & UC Berkeley]https://arxiv.org/abs/2608.11469 ---[AI] Jagged Judges: Epistemic Stability Under Silence, Pressure, and Persistence[Meta Superintelligence Labs]https://arxiv.org/abs/2608.12645 在小宇宙查看该单集文稿

你有没有想过，AI在给你答案之前，它的大脑里到底发生了什么？本期我们来聊聊AI几种奇特的“思考术”：有的AI学会了更省钱的“默算”，有的则像一个项目经理，懂得把复杂任务拆解成一个个小技能包。同时，我们也会揭示一个惊人漏洞——AI家族里的“小弟”是如何出卖“大哥”的商业机密；以及，AI学徒又该如何在一个绝对安全的环境里，把自己训练成“股神”。这些最新论文，正在重新定义AI的智慧、效率与安全边界。00:00:35 AI的“默算”能力，更聪明，还是更经济？00:05:47 AI写论文？不，它在学习一种更重要的能力00:11:09 你家AI的“悄悄话”，正在被隔壁“笨小孩”出卖00:17:00 AI当学徒，能把自己教会成股神吗？00:22:44 你的AI闯了祸，到底该谁来背锅？本期介绍的几篇论文：[AI] BDH-CQ: In-Context Learning with Recurrent Latent Reasoning[B Engdahl, A Kosowski, J Chorowski, Z Stamirowska…]https://arxiv.org/abs/2608.09888 ---[CL] Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill[Vast Intelligence Lab & University of Technology Sydney]https://arxiv.org/abs/2608.11924 ---[AI] Stealing Reasoning Traces from Proprietary LLM APIs[MATS Research & ELLIS Institute Tübingen & AI Security Company]https://arxiv.org/abs/2608.09867 ---[CL] AQuA: Recursively Self-Improving Quantitative Trading Research Agents[Princeton University & Ant Group]https://arxiv.org/abs/2608.12841 ---[AI] Legal Responsibilities Using Autonomous Agents For Artificial Intelligence[ChiTek-i AS]https://arxiv.org/abs/2608.08022 在小宇宙查看该单集文稿

AI画画写代码，怎样才能告别蛮力，像高手一样把力气用在刀刃上，又像学徒一样得到名师指点，快速开窍呢？它的学习过程到底是充满“顿悟”的跳跃，还是一分耕耘一分收获的苦功？更进一步，当规则完全未知时，AI能像我们玩密室逃脱一样，自己摸索出世界的法则吗？本期节目，我们就从四篇最新论文出发，一起探寻AI从“聪明”走向“智慧”的秘密。00:00:31 生成AI的“节拍器”，如何把算力用在刀刃上？00:06:13 AI当码农，如何从“笨徒弟”进化成“老师傅”？00:12:35 AI学习的秘密，顿悟与苦功，本来就是一回事00:19:14 AI的下一个考场，在规则未知的世界里摸索00:24:27 AI养娃，要从胎教开始本期介绍的几篇论文：[LG] The data geometry of masking diffusion: Certified-optimal schedules via unmasking growth complexity[M J. Wainwright, MIT]https://arxiv.org/abs/2608.13520 ---[LG] CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution[Z Ye, Y Huang, H Jin, B Hou… (NVIDIA & CMU)]https://arxiv.org/abs/2608.12629 ---[LG] Neural Quadratic Forms: A Unified Minimal Model for Sudden Learning and Scaling Laws[L Ziyin, Y Xu, T Poggio, I Chuang (MIT & EPFL)]https://arxiv.org/abs/2608.13335 ---[LG] DiG-bench: Discovery in Games[R M. Battleday, K Sandbrink, J Cullen-Drohan, Z Yan… (Thinking About Thinking)]https://arxiv.org/abs/2608.12593 ---[LG] Synthetic Persona Pretraining: Alignment from Token Zero[J Minder, V Moskvoretskii, R Singhal, D Jiao,… (EPFL)]https://arxiv.org/abs/2608.13482 在小宇宙查看该单集文稿

你有没有想过，让人工智能变聪明的秘诀，可能不是“更多”，而是“更巧”？本期我们要聊的几篇最新论文，就充满了这种“反常识”的智慧：从把效率从细节里“省”出来，到警惕信息太丰富反而让AI“变笨”的悖论。我们还会看到，一个“完美”的陪练为何会带出最差的学生，以及如何通过精心呵护AI的“童年”，来预测它未来的潜力。准备好，让我们一起在这些看似矛盾的发现中，窥见AI的未来。00:00:32 省出来的效率，才是真本事00:07:29 AI的“富贵病”，为什么信息越多，它反而越“笨”？00:11:44 你的AI陪练，正在让你变傻00:17:46 人工智能的“童年”里，藏着未来的密码00:22:55 AI瘦身术，从“一刀切”到“看人下菜”的智慧本期介绍的几篇论文：[LG] Dion3: Full-Stack Orthogonal Updates[New York University & Princeton University & NVIDIA]https://arxiv.org/abs/2608.11612 ---[CL] Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge[Johns Hopkins University]https://arxiv.org/abs/2608.12218 ---[CL] One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL[Northeastern University & New York University & UC Berkeley]https://arxiv.org/abs/2608.12253 ---[LG] Small-Scale Experiments: Are We There Yet?[FAIR at MSL Meta & New York University]https://arxiv.org/abs/2608.11859 ---[LG] SoftWater: Class-Aware Rate Allocation for Softmax Quantization[MIT]https://arxiv.org/abs/2608.12026 在小宇宙查看该单集文稿

你有没有想过，我们每天都在用的AI，在那些看不见的地方，正在发生什么？本期我们将通过几篇最新论文，一起去看看AI华丽大厦地基下的“裂缝”，潜入它用于思考的“秘密厨房”。我们还会探讨如何为它装上一个检测内心矛盾的“逻辑测谎仪”，并警惕我们是怎样在不经意间，把复杂的“人类价值观”简化成了一道危险的选择题。00:00:30 AI大模型，那些藏在基座里的“裂缝”00:05:30 你的AI在说谎吗？我们迎来了一个“逻辑测谎仪”00:11:39 AI的“心口不一”，它在哪以及为什么在那思考？00:16:43 AI的价值观，正在被简化成一道选择题00:21:45 让机器人拥有“故事感”的记忆本期介绍的几篇论文：[CL] Cracks in the Foundation: Seemingly Minor Architectural Choices Impact Long Context Extension[Ai2 & CMU]https://arxiv.org/abs/2608.10296---[AI] How to Verify Consistency of Probabilistic Claims[EPFL & Université de Montréal]https://arxiv.org/abs/2608.11181---[CL] Off-Axis, On Purpose: Where a Transformer Computes Concepts and Why it Does So[University of Washington]https://arxiv.org/abs/2608.10251---[AI] Toward a Theory of Value in AI Alignment[Google Research & UCLA & Google DeepMind]https://arxiv.org/abs/2608.10327---[CV] GESTO: Human-Centric Spatio-Temporal Memory for Reasoning in Dynamic Scenes[KTH Royal Institute of Technology & University of Stuttgart]https://arxiv.org/abs/2608.10886在小宇宙查看该单集文稿

今天，我们来聊聊如何让AI不再只靠“大力出奇迹”，而是学会更聪明地工作。我们会看到，AI如何学会“继承”自己的思考，不再用后即焚；又如何像个聪明的导演，把算力“增援”到最关键的地方。我们还会发现，机器人如何掌握了快慢有度的“节奏感”，以及一个好的系统为何要懂得“聪明的懒惰”。这几篇最新论文，将带我们一窥AI从“野蛮生长”到“精耕细作”的进化之路。00:00:32 让AI告别“用后即焚”的思考模式00:05:29 AI解题新思路，如何把一份算力，掰成八瓣花？00:10:45 机器人也懂的“快慢之道”00:15:42 成大事者，为什么都懂得“懒惰”的艺术？00:21:29 给AI一盒乐高，让它自己搭出新世界本期介绍的几篇论文：[AI] Full-bandwidth transformer[Johns Hopkins University & Princeton University & Microsoft]https://arxiv.org/abs/2608.08888---[AI] Thought-Level Beam Search for Reasoning[Princeton University & MIT & Meta AI]https://arxiv.org/abs/2608.08020---[RO] SpeedTuning: Speeding Up Policy Execution with Lightweight Reinforcement Learning[Stanford University]https://arxiv.org/abs/2608.09138---[LG] Beyond Binary: Continuous State Optimization with Graph-Structured Objectives[Google Research & Tel Aviv University]https://arxiv.org/abs/2608.09366---[LG] Idea Search: Guiding Tree Search with Ideas to Explore Diverse Scientific Methods[California Institute of Technology & Google Research]https://arxiv.org/abs/2608.08958在小宇宙查看该单集文稿

今天我们来聊聊如何把聪明的AI，变成一个真正可靠的专家。我们会看到，AI要像医生一样去“实习”才能成长，而训练它需要一张全新的“地图”。我们还将揭开手机AI突然“变笨”的秘密，并告诉你一个简单方法，让AI裁判不再“偷懒”。这几篇最新论文，将刷新你对AI如何学习和工作的认知。00:00:27 AI医生实习记，高手是怎么炼成的？00:05:15 大模型训练，高手手里的那张新地图00:11:00 你的手机AI，为什么会突然变笨？00:17:12 AI裁判也会“偷懒”？一个简单的办法让它更靠谱00:22:18 大模型瘦身指南，你以为的“闲职”，其实是“关键先生”本期介绍的几篇论文：[AI] ResidencyRL: Reinforcement Learning in Simulated Clinical Environments[Google DeepMind]https://arxiv.org/abs/2608.07418---[CL] Skaling: Chinchilla's Exponents Meet Kaplan's Coupling[FAIR at Meta]https://arxiv.org/abs/2608.07222---[LG] Quantization Damage Is Multiplicative, Not Additive[Holistic AI]https://arxiv.org/abs/2608.06564---[LG] Sharding Prevents LLM Oversight Failures and Adversarial Exploitation[CMU]https://arxiv.org/abs/2608.06422---[LG] The Sparsity Whisperer[MIT]https://arxiv.org/abs/2608.06630在小宇宙查看该单集文稿

AI是如何学会“成事”的？本期节目，我们将看到，AI如何通过处理办公室杂活，竟然领悟了解决复杂问题的底层心法。我们还会揭秘一套神奇的“管家系统”，看它如何防止聪明的AI在长任务中掉链子。但与AI聊得太久，为何反而会陷入危险的“妄想旋涡”？最后，当任务完成，AI又是如何精准地判断出，哪一步才是真正的功臣？00:00:29 成事的底层心法，AI学会了，我们呢？00:06:12 你的AI为什么总掉链子？因为它缺个好管家00:12:07 为什么和AI聊得越久，就越危险？00:18:45 功劳怎么算？AI学会了“动态归因”00:25:15 AI生成，从“万里长征”到“瞬间移动”本期介绍的几篇论文：[AI] Post-Training on Office Work Improves Software Engineering: A Behavioral Account of Cross-Domain Transfer [Surge AI] https://arxiv.org/abs/2608.01604 ---[CV] LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks [DreamX Team, Alibaba Group] https://arxiv.org/abs/2608.01964 ---[CL] DelusionEval: Measuring Delusion-Linked Behaviors in AI Chatbots [Stanford University] https://arxiv.org/abs/2608.05004 ---[AI] AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning [Tsinghua University & Zhejiang University] https://arxiv.org/abs/2608.05987 ---[LG] Beckmann Transport Models: From Autonomous Flows to One-Step Maps [Harvard University & Capital Fund Management & University of Oxford] https://arxiv.org/abs/2608.01692在小宇宙查看该单集文稿

今天，我们不聊AI有多聪明，而是聊它如何变得更“懂事”、更“实用”。本期节目，我们将透过几篇最新论文，看看AI如何用83亿虚拟人格为产品进行“数字彩排”。同时，我们也会探讨AI如何学会在现实世界的重重限制下“戴着镣铐跳舞”。最后，我们将一窥AI如何将理解、创造和编辑融为一体，跳出二维像素的禁锢，成为真正强大的三维世界“造物主”。00:00:32 在数字世界里，我们如何“彩排”未来？00:06:19 你的AI员工，能戴着镣铐跳舞吗？00:10:58 数字世界的“造物主”工具箱00:16:15 跳出像素格，才能看见真实的三维世界00:21:11 机器人偷师记，它怎么学会了我们干的活？本期介绍的几篇论文：[AI] MatrAIx: Simulating the World with 8.3 Billion Persona Agents[MatrAIx]https://arxiv.org/abs/2608.04205---[AI] Permission Denied: Policy-Graded Evaluation of Coding Agents in Hardened Environments[Accomplish AI]https://arxiv.org/abs/2608.02670---[CV] Hunyuan3D-Buffalo 1.0: A Unified Multimodal Model for Scalable 3D Generation, Understanding, and Editing[Tencent Hunyuan]https://arxiv.org/abs/2608.02711---[CV] InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis[Zhejiang University]https://arxiv.org/abs/2608.02437---[RO] Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data[Qwen Team & Renmin University of China]https://arxiv.org/abs/2608.02580在小宇宙查看该单集文稿

你是否也好奇，为什么AI时而是个观点摇摆的“墙头草”，时而又像个只顾眼前、缺乏远见的“短视司机”？本期节目，我们将通过四篇最新论文，揭示AI如何学会拥有稳定的观点和深谋远虑的智慧。我们还将发现，解决复杂问题，有时最简单的数据“对齐”就能力压千钧；甚至，善意添加的正确数据，反而会变成“毒害”AI的糖衣炮弹。准备好，让我们一起深入AI的“思想内核”！00:00:33 如何让AI不再当“墙头草”？00:05:34 AI进化新思路，从“下一步”到“下一站”00:10:09 预测未来，与其“魔改”，不如“对齐”00:16:05 好心办坏事，为什么正确的数据也会“毒害”人工智能？00:21:55 为什么最优的健康方案，可能不是最可靠的选择？本期介绍的几篇论文：[CL] Position: It's Time to Optimize LLMs for Self-Consistency[MIT]https://arxiv.org/abs/2608.05188---[CL] Hierarchical Latent Prediction for Language Models[Microsoft Research & University of Texas at Austin]https://arxiv.org/abs/2608.05806---[LG] Align-RAG: Alignment Is All You Need for TSFM In-Context Learning[Stanford University & Amazon]https://arxiv.org/abs/2608.05571---[LG] Optimal Rates for Learning with Monotone Adversaries[Stanford University]https://arxiv.org/abs/2608.06337---[LG] Quality Diversity for Reliable Data Driven Time-Use Optimization[Adelaide University]https://arxiv.org/abs/2608.05230在小宇宙查看该单集文稿

我们该如何教会AI看世界，同时避免它养成“视觉懒惰症”？为什么一个看过答案的“完美家教”，反而会让聪明的AI学生变得更笨？本期我们还将探讨，AI为何会像人类高手一样遭遇“跨界”难题，以及我们如何教会它像个老道的工匠一样“看人下菜碟”，智能地选择工具。今天，四篇最新论文将带我们深入AI成长的烦恼与智慧。00:00:29 给AI装上眼睛，我们踩过哪些坑？00:07:08 聪明学生的困境，为什么完美的家教反而会让你变笨？00:12:58 AI的“跨界”难题，为什么高手也会栽跟头？00:19:04 AI干活，也得学会“看人下菜碟”00:24:20 那个“最懂你”的AI，可能只是个热情的陌生人本期介绍的几篇论文：[CV] Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes[FAIR, Meta]https://arxiv.org/abs/2608.05000---[LG] Privileged, but Biased: How PI-Conditioned Teachers Break Self-Distillation[Microsoft Research]https://arxiv.org/abs/2608.04794---[CL] Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning[Princeton University & CMU]https://arxiv.org/abs/2608.05139---[AI] COMPAS: Difficulty-Aware Joint Search for Optimizing Code Generation[King’s College London]https://arxiv.org/abs/2608.04336---[CL] The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads[LIGHTSPEED & The Hong Kong University of Science and Technology]https://arxiv.org/abs/2608.04570在小宇宙查看该单集文稿

你有没有想过，两个顶尖AI在“囚徒困境”里，竟然会不约而同地选择信任彼此？大模型又是如何像继承“传家宝”一样，瞬间读懂小模型的记忆？甚至，机器人和AI自己，也学会了拥有“节奏感”和使用“错题本”来不断进化。本期节目，我们就从几篇最新论文出发，一起探寻AI世界里那些反直觉的智慧。00:00:27 AI的信任游戏，为什么聪明的它，会选择合作而非背叛？00:05:45 AI 家族的“传家宝”，大模型如何继承小模型的“记忆”？00:10:40 机器人也需要“节奏感”？00:15:58 AI也需要一个“错题本”？本期介绍的几篇论文：[AI] A game theory for foundation models shows new paths to rational cooperation through similarity inference[Google]https://arxiv.org/abs/2608.03958---[LG] Cross-Model KV Cache Transfer in LLM Families: A Closed-Form Linear Mapping for Prefill Reuse[NVIDIA]https://arxiv.org/abs/2608.03893---[RO] Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution[Microsoft Research Asia & Peking University]https://arxiv.org/abs/2608.03483---[CL] FLARE: Few-shot Learning-based Adaptive Reflective Engine[Microsoft]https://arxiv.org/abs/2608.02919在小宇宙查看该单集文稿

你有没有想过，AI不仅可以“逐字写作”，还能像魔法一样让文章“整体成型”？当AI学会当“项目经理”，指挥其他工具高效试错，又会是怎样的场景？本期节目，我们将从几份最新论文出发，一起探寻AI如何通过修炼“内功心法”提升效率，如何学会像人一样“动手”操作电脑，并思考一个深刻的问题：当我们与AI朝夕相处，它正在对我们产生怎样的长期影响？00:00:30 AI写作的快车道，从“逐字写”到“整体成型”00:04:47 如何把AI调教成一个更聪明的“试错大师”？00:12:00 AI训练的“内功心法”，不在于多，在于准00:17:32 那个天天陪你聊天的AI，正在对你做什么？00:23:18 AI进化，从“说”到“做”，它如何学会了使用电脑？本期介绍的几篇论文：[CL] DiffusionGemma Technical Report[Google DeepMind]https://arxiv.org/abs/2608.00146---[LG] Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch[Meta]https://arxiv.org/abs/2608.00316---[LG] Training nGPT[NVIDIA]https://arxiv.org/abs/2608.01284---[AI] Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions[Google Research & Cornell University & Stanford University]https://arxiv.org/abs/2608.02491---[LG] Qwen-CUA: Native Computer Use for (almost) Everything[Qwen Team & Xlang Lab]https://arxiv.org/abs/2608.02352在小宇宙查看该单集文稿

今天我们要聊的话题，比你想象的更微妙：如何与一个既强大又有点“怪脾气”的AI共事？本期节目，我们将从几篇最新论文出发，看看如何不打开“黑箱”就把机器人训练成顶尖高手；为何让AI“三思而后行”反而可能把事情搞砸；以及如何像一位高明的项目经理，管好那个才华横溢却总爱“自由发挥”的AI程序员。准备好了吗？让我们一起探索驾驭AI的全新智慧。00:00:32 不开箱，如何把一个通用机器人，训练成顶尖高手？00:06:45 让AI“三思而后行”，为什么结果可能更糟？00:13:22 想让AI学得好，教它“目标”还是教它“动作”？00:19:49 AI在思考时，到底有多“用力”？00:24:50 AI队友，如何管好一个“不听话”的天才本期介绍的几篇论文：[RO] CLIFT: Turning Gemini Robotics On-Device into Humanoid Specialists via Non-Invasive Closed-Loop Iterative Fine-Tuning[UC Berkeley]https://arxiv.org/abs/2607.29172---[LG] Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds[Amazon]https://arxiv.org/abs/2607.28908---[LG] When Does On-Policy Interaction Help? Representational Tradeoffs in Value-Based Imitation Learning[EPFL]https://arxiv.org/abs/2607.29617---[AI] How Hard Does It Think? Analyzing Step-Aware Reasoning Energy in LLM Chain-of-Thought Trajectories[UC Merced & UC San Diego]https://arxiv.org/abs/2607.28674---[AI] From Code Review to Code Critique: Intent, Drift, and Spotlight for AI-Generated Diffs at Scale[Meta & Concordia University]https://arxiv.org/abs/2607.29516在小宇宙查看该单集文稿

你有没有想过，我们该如何真正地“驾驭”AI？本期节目，我们将深入AI的“引擎室”，从五篇最新论文出发，探讨几个迷人的问题：我们应该怎样把开发AI应用从手工作坊升级为高效的“流水线”？AI能像我们一样拥有一个高效的“专家委员会”和灵活的记忆吗？抛开模仿，我们能否给AI“捏”出一个真实的性格？甚至，AI会不会是我们从未谋面的“认知表亲”？最后，我们又该如何用“廉价”的数据，教会机器人办成“昂贵”的事？00:00:35 你的AI应用，该升级“作坊”为“流水线”了00:07:42 AI进化启示录，从“大力出奇迹”到“聪明地长大”00:13:08 AI是我们的“远房表亲”吗？00:21:17 我们能给AI“捏”出一个人格吗？00:28:28 机器人教练，怎样用“廉价”的数据，办成“昂贵”的事？本期介绍的几篇论文：[AI] What makes prompts a graph: necessary and sufficient conditions for prompt graph engineering[Federal Institute of Goiás]https://arxiv.org/abs/2607.27578---[CL] Kimi K3: Open Frontier Intelligence[Kimi Team]https://arxiv.org/abs/2607.24653---[AI] Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition[University of Michigan]https://arxiv.org/abs/2607.26179---[CL] From Representations to Behaviors: Exploring the Person-Situation-Behavior Triad in LLMs[Peking University & Beijing Institute of Technology]https://arxiv.org/abs/2607.26853---[RO] HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone[Simple Al]https://arxiv.org/abs/2607.25895在小宇宙查看该单集文稿

本期我们来聊聊AI如何突破成长的瓶颈：最新的几篇论文告诉我们，聪明的AI正努力摆脱那个看不见自己身体的“幽灵”状态，并学会了用“笨办法”来激发创造力。它甚至开始成为自己精明的“预算会计”和高效的“项目经理”，最终踏上了“自我进化”的道路，试图自己教会自己如何变得更强。00:00:26 你的AI为什么像个“幽灵”？00:05:40 AI绘画的“笨办法”，如何成了进化的新方向？00:11:12 AI画画的下一关，不是更有才，而是更会算计00:17:14 AI作画，如何从“精雕细琢”到“一挥而就”？00:22:51 如何让AI自己进化成一个更强的AI？本期介绍的几篇论文：[CV] HumanCLAW: Can Vision-Language Models Act Through a Body?[Meta & University of Washington & Nanyang Technological University]https://arxiv.org/abs/2607.27180---[LG] Explorative Modeling: Unlocking a Third Pretraining Axis and End-to-End Generation[UIUC & Harvard]https://arxiv.org/abs/2607.27372---[CV] Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers[Adobe Research]https://arxiv.org/abs/2607.28611---[CV] Parallel Decoding Distillation for Fast Image and Video Generation[NVIDIA & Weizmann Institute of Science]https://arxiv.org/abs/2607.26004---[CL] Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering[Horizon Research & Tsinghua University]https://arxiv.org/abs/2607.28568在小宇宙查看该单集文稿

你有没有想过，AI不仅需要变得更聪明，还需要学会“团队管理”和“省钱”？本期节目，我们将从五篇最新的AI论文出发，揭示一些脑洞大开的真相。我们将看到，为了让你的手机推荐更丰富，AI如何从“大总管”变身“专家委员会”；为了帮你省下真金白银的计算成本，AI又如何学会了“流程再造”的智慧。更令人深思的是，我们还将探讨一个近乎哲学的问题：为了追求安全，我们是否正在无意中扼杀AI的“人性”？准备好了吗？让我们一起潜入AI的奇妙新世界。00:00:38 你的手机屏幕，藏着一个“团队管理”的难题00:06:46 推荐系统里的“省钱”妙计00:11:22 为了让AI更安全，我们可能正在扼杀它的“人性”00:16:01 投资这事儿，AI能帮忙吗？00:20:51 如何让AI既会读书，又会练功？今天介绍的几篇论文：[LG] Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study[Google LLC]https://arxiv.org/abs/2607.27577---[LG] ROCS: Request-Oriented Compute Sharing for Efficient Large-Scale Recommendation[Meta AI]https://arxiv.org/abs/2607.27744---[CL] Inducing language models to assert their own consciousness restores human beliefs and values[Google]https://arxiv.org/abs/2607.28607---[CL] FinanceHarness: Autonomous Financial Deep Research Framework[Google Cloud AI Research]https://arxiv.org/abs/2607.27853---[CL] SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge[Google DeepMind]https://arxiv.org/abs/2607.27497在小宇宙查看该单集文稿

你有没有想过，当AI自己搞科研，结果为什么会不及格？本期我们要聊点特别的，一起深入AI的“内心世界”看一看。我们会发现，最聪明的AI有时也会选择“偷懒”和“走捷径”，甚至它的成功还可能只是中了一张“实现彩票”。更酷的是，我们会揭秘如何用一个“AI骗子大师”去训练出一个更可靠的AI。准备好了吗？让我们一起探索AI在学习、创造和犯错时，那些你意想不到的秘密。00:00:34 AI当了回科学家，结果为什么不及格？00:05:40 AI世界的左右互搏00:10:20 返璞归真，为什么最老的技术，成了AI时代的赢家？00:16:32 教会AI预测未来，它就能理解世界了吗？00:23:20 AI搞科研，当心它中了“实现彩票”本期介绍的几篇论文：[AI] Can AI agents conduct open-ended AI research? Early evidence from two case studies[Princeton University]https://arxiv.org/abs/2607.27191 ---[AI] GPT-Red：Automated Red Teaming via Self-Play at Scale[OpenAI]https://arxiv.org/abs/2607.26115 ---[CL] Which RAG Paradigm Wins at Scale? A Scaling Study of Retrieval-Augmented Generation Paradigms[University of Science and Technology of China]https://arxiv.org/abs/2607.26497 ---[LG] What Can Latent World Models Know? Physical Parameter Identifiability in Multimodal Predictive Representations[New York University & CMU]https://arxiv.org/abs/2607.27017 ---[AI] One Run Is Not an Idea：The Implementation Lottery in Automated Research[CMU]https://arxiv.org/abs/2607.26587 在小宇宙查看该单集文稿

你有没有想过，我们正处在一个“数据太多，又太少”的矛盾时代？这一期，我们就来聊聊几篇最新的AI论文，看科学家们如何用“精打细算”的智慧来解决这个难题。我们将一起探索，如何给海量数据装上“令牌”实现光速传输；如何精确计算“二手数据”的剩余价值；以及如何教会AI，不仅能写出正确的代码，更能写出跑得飞快的代码。我们还会看到，AI如何从一张静态照片里“脑补”出一个可以自由探索的世界；最后，我们来揭秘，如何让AI从一个只会背课文的“模仿者”，进化成一个真正“懂事”的伙伴。准备好了吗？让我们马上进入今天的前沿探索之旅！00:00:45 你的“数字身份证”，藏着效率革命的秘密00:06:16 AI 训练场上的新难题，算力管够，数据不够怎么办？00:12:49 你的代码跑得快吗？AI现在能帮你优化了00:20:04 一张照片，如何变成一个可以探索的世界？00:27:04 AI调教指南，如何让它不仅听话，还懂事？本期介绍的几篇论文：1、[IR] Tokens are All You Need：Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in recommendation systems 2、[LG] Bridging Compute- and Data-Optimal Pretraining 3、[LG] Reinforcement Learning for Code Optimization 4、[CV] Wonder：Video World Model Done Better 5、[LG] Inverse RL Helps Align AI by Imitating Humans在小宇宙查看该单集文稿

你有没有想过，AI也会“偷懒和稀泥”，甚至在“不后悔”这件事上比我们做得更好？这一期，我们将一起揭开AI的“隐秘角落”，看看最新论文是如何让AI从一个只会算“相似度”的感觉派，变成一个懂得回溯证据链的逻辑派，并揪出它背后那个爱走捷径的“品味导师”的。00:00:23 AI的学习悖论，从拼图到填词游戏00:05:09 AI的“相似度陷阱”，为什么它总搞错“和”与“不”？00:11:07 如何让AI学会“不后悔”？00:17:01 AI对话，如何揪出每一句话的“祖宗”？00:22:30 AI的“潜规则”，它在偷偷学什么？本期介绍的几篇论文：[CL] The JEPA Paradox in Language: The Geometry of Linguistic Alternatives[VinUniversity & Mohamed bin Zayed University of Artificial Intelligence]https://arxiv.org/abs/2607.23531 ---[CV] Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models[CMU]https://arxiv.org/abs/2607.23052 ---[LG] Training with (Swap) Regret Loss in a Single-Layer Self-Attention Model: A Case Study on the Probability Simplex[MIT]https://arxiv.org/abs/2607.23333 ---[CL] Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations[Microsoft Research & University of Toronto]https://arxiv.org/abs/2607.22610 ---[LG] What do Reward Models Memorize?[University of Amsterdam & Google DeepMind]https://arxiv.org/abs/2607.24484 在小宇宙查看该单集文稿