AI可可AI生活

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

我们都希望AI能像人一样思考和成长，但你有没有想过，AI要如何向一位只做不说的“沉默高手”学到心法？又如何突破“刷题”瓶颈，进化到自己“编写教材”的境界？本期节目，我们将通过几篇最新论文，一起探寻AI如何拥有“复盘”的元认知能力，如何像人一样兼顾大局与细节，以及在复杂的指令面前，它究竟凭什么判断对错。准备好，我们马上进入AI的深度思考世界。00:00:32 如何向一位沉默的高手学艺？00:06:26 AI的自我进化，从“刷题”到“编教材”00:11:54 同一个命令，AI凭什么判断对错？00:18:33 AI的左右脑难题，如何让它既懂大局，又见细节？00:25:12 如何让AI拥有“复盘”能力本期介绍的几篇论文：[LG] LeAct: Learning to Reason from Expert Actions[Princeton University]https://arxiv.org/abs/2607.21856 ---[CL] Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills[Qwen Large Model Application Team, Alibaba]https://arxiv.org/abs/2607.22529 ---[AI] Agent Security Needs Redefinition through a Holistic Framework[UC Santa Cruz & UC Berkeley]https://arxiv.org/abs/2607.22024 ---[CV] Twins: Learn to Predict Unified Representations with Focal Loss[The Chinese University of Hong Kong & Tencent, Hunyuan]https://arxiv.org/abs/2607.22531 ---[LG] Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning[University of Illinois Urbana-Champaign]https://arxiv.org/abs/2607.21971 在小宇宙查看该单集文稿

你有没有想过，为什么最聪明的AI，有时会犯下最令人匪夷所思的错误？本期我们要聊的几篇最新论文，就揭示了这种矛盾：有的AI会因为一张伪造的“通行证”而放行危险代码，有的AI却已经学会了给自己“复盘”，在复杂研究中不断迭代进化。我们将一起探索，如何为AI模型进行精准的“功能性断舍离”，如何将它从一个“聊天搭子”升级为可靠的“办事帮手”，甚至，如何让虚拟世界里的角色拥有可以与世界共同成长的“灵魂”。准备好了吗？让我们一起潜入AI思想的最深处。00:00:41 那个看得见危险的哨兵，为什么还是放了行？00:06:13 如何看穿一个系统的“真本事”？00:12:06 AI的下一步，从“聊天”到“办事”00:17:56 让AI角色拥有“灵魂”的关键一步00:22:51 比勤奋更重要的，是会给自己“复盘”本期介绍的几篇论文：[AI] They'll Verify. They Just Won't Act. How Authority Framing and Laundered Code Turn a Trusted Agentic CI/CD Pipeline Into an Attack Surface[Senthex Research]https://arxiv.org/abs/2607.19267 ---[LG] Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks[Google DeepMind]https://arxiv.org/abs/2607.21366 ---[AI] Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes[University of Lethbridge & Universidad de Guadalajara]https://arxiv.org/abs/2607.19297 ---[CL] EvolvingWorld: An Open-Schema Framework for Co-Evolving Role-Play Agents and World Model in Interactive Literary World[Hong Kong University of Science and Technology & LIGHTSPEED]https://arxiv.org/abs/2607.17250 ---[AI] AREX: Towards a Recursively Self-Improving Agent for Deep Research[Beijing Academy of Artificial Intelligence (BAAI)]https://arxiv.org/abs/2607.21461 在小宇宙查看该单集文稿

你有没有想过，AI的能力瓶颈，可能不是因为它“不够聪明”，而是我们“用错了方法”？本期节目，我们将一起探索几篇有趣的最新论文：看AI如何通过“任务分解”让文档阅读提速三倍，又是如何从“教会它新知识”转变为“唤醒它沉睡的潜能”。我们还会聊到，AI怎样才能从给你“看电影”升级到带你“逛电影”，以及我们该如何为AI精心准备一份“营养套餐”而不是一堆“垃圾食品”。让我们一起看看，这些思维的转变，将如何重塑我们与AI的未来。00:00:38 换个姿势，让AI阅读提速三倍00:05:25 AI绘画新思路，不是更大，而是更巧00:11:42 AI造世界，从“看电影”到“逛电影”00:18:09 AI的新能力，不是教会，而是唤醒00:24:25 喂给AI的资料，怎样才算“好”？本期介绍的几篇论文：[CL] HPD-Parsing: Hierarchical Parallel Document Parsing[paddleocr]https://arxiv.org/abs/2607.18839 ---[CV] Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing[Microsoft Mage Team]https://arxiv.org/abs/2607.19064 ---[AI] AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report[AlayaWorld Team, Alaya Lab]https://arxiv.org/abs/2607.18367 ---[CL] Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level Timing[nyra labs]https://arxiv.org/abs/2607.18934 ---[CL] Beyond Relevance-Centric Retrieval: Rubric-Oriented Document Set Selection and Ranking[University of Science and Technology of China & Yuanbao Team, Tencent]https://arxiv.org/abs/2607.19747 在小宇宙查看该单集文稿

你有没有想过，AI在看似随机的打字节奏里，可能正在泄露自己的核心机密？或者，一个看似无害的几十兆“小补丁”文件，竟然能装下你全部的私人日记？本期节目，我们将一起揭开AI光鲜外表下的“隐藏设定”：从指导AI修炼更强“内功心法”的最新论文，到让AI学会“开小差”反而效率更高的反直觉策略，再到教会AI像顶尖棋手一样精准“复盘”自己的错误。准备好了吗？让我们一起潜入AI的后台，看看那些不为人知的智慧与博弈。00:00:36 AI训练的内功心法，为什么有的模型学得又快又好00:06:02 大模型加速的秘密，为什么“开小差”反而效率更高？00:12:10 让AI学会“复盘”，从哪儿跌倒，从哪儿爬起00:18:17 AI的小补丁，藏着多大的世界？00:25:25 AI的秘密，藏在打字的速度里本期介绍的几篇论文：[LG] SOAP, Muon, and Beyond: Pushing LLM Pretraining Scales[NVIDIA]https://arxiv.org/abs/2607.20548 ---[LG] Windowed-MTP: Removing the Full-Context Draft-KV Tax at Million-Token Context[NVIDIA]https://arxiv.org/abs/2607.21535 ---[LG] Test-Time Scaling via Error Localization[Google DeepMind]https://arxiv.org/abs/2607.21453 ---[LG] How Many Bits Can an Adapter Write? Measuring the Capacity and Memorization of Parameter-Efficient Fine-Tuning[CMU & Columbia University]https://arxiv.org/abs/2607.21351 ---[LG] Leaky Language Models: Stealing Architecture and Inference Optimizations via Per-Token Timing[Purdue University & CMU]https://arxiv.org/abs/2607.20723 在小宇宙查看该单集文稿

想知道一个AI如何活成一支队伍，用团队智慧解决难题吗？本期节目中，几篇最新论文将带我们看到，AI如何从“一抹黑”的画布进化到用“草稿图”高效创作，以及三个“专才”模型如何聪明地协作，打败一个“全能”巨无霸。我们还将揭秘AI“速读”万字长文的压缩秘诀，并最终教你看穿它那令人真假难辨的“迷之自信”。准备好，一起探索AI思考方式的底层变革吧！00:00:33 一个人，如何活成一支队伍00:06:47 AI作画的新思路，从“一抹黑”到“草稿图”00:11:43 为什么三个“笨”模型，能打败一个“聪明”模型？00:18:34 AI读长文章的“速读”秘诀00:24:13 AI的“迷之自信”，我们该如何看穿？本期介绍的几篇论文：[AI] PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity [Google Cloud] https://arxiv.org/abs/2607.20268 ---[CL] Multi-Mask Diffusion Language Models for Few-Step Generation [ByteDance Seed] https://arxiv.org/abs/2607.19686 ---[LG] Auto-Fill: Learning to Predict Missing Values Accurately with Specialist Language Models [Microsoft Research & New York University] https://arxiv.org/abs/2607.19847 ---[AI] Spectral-LSH: Sub-Quadratic Prompt Compression via Krylov-Projected Locality-Sensitive Hashing [Islamic Azad University & Iran University of Science and Technology & Meta] https://arxiv.org/abs/2607.19368 ---[AI] Rethinking Uncertainty Evaluation in Large Language Models [CMU & Meta] https://arxiv.org/abs/2607.19367 在小宇宙查看该单集文稿

你有没有想过，我们该如何驾驭一个越来越聪明的AI？本期我们将从几篇最新的论文出发，探讨一些极其巧妙的思路：我们不删除AI的危险知识，而是给它一把上了锁的“双刃剑”；我们不直接塞给AI答案，而是像“好私教”一样让它反思自己的功劳；我们甚至用古老的“学徒制”让普通模型超越名师，用一张“行动草图”就能指挥机器人干活；最后，我们会发现，解决最复杂的排序问题，有时只需换个更聪明的“提问方式”。准备好了吗？让我们一起看看这些闪耀着智慧之光的AI新思想。00:00:40 给AI一把上了锁的“双刃剑”00:05:00 如何给AI请一个“好私教”？00:10:01 AI世界的“学徒制”，如何把一个普通模型，训练成超级学霸？00:15:52 给机器人画一张“行动草图”00:21:22 给机器排座次，换个聪明的问法本期介绍的几篇论文：[LG] Mark, Don't Erase: Token Inoculation for Dual-Use Knowledge in LLMs [NAVER AI Lab] https://arxiv.org/abs/2607.18639 ---[LG] Off-Context GRPO: Learning to Reason on Hard Problems using Privileged Information [Meta AI] https://arxiv.org/abs/2607.19313 ---[CL] Search-on-Graph-R1: Training Large Language Models to Search Knowledge Graphs with Reinforcement Learning [Université de Montréal & McGill University] https://arxiv.org/abs/2607.18481 ---[CV] Masked Visual Actions for Unified World Modeling [Stanford University] https://arxiv.org/abs/2607.19343 ---[LG] Exposure-Based Reinforcement Learning to Rank [Google DeepMind & University of Amsterdam] https://arxiv.org/abs/2607.18689 在小宇宙查看该单集文稿

你有没有想过，我们该如何教会AI那些没有标准答案的事？本期节目，我们将一起探讨几篇最新论文带来的奇妙思路：从把AI的“裁判”换成“教练”，到给机器人换上一副“高清眼镜”，再到为AI装上一个能自我更新的“智能错题本”；我们甚至会发现，让AI在“梦境”里胡思乱想，以及在它钻牛角尖时悄悄“推”它一把，或许才是通往更强人工智能的捷径。00:00:30 AI进化论，别当裁判，请当教练00:05:33 让机器人更灵巧，不一定要给它一个更大的脑子00:10:51 如何给AI装上一个“智能错题本”？00:16:49 你的大脑不是硬盘，而是一座创意的梦工厂00:22:02 给AI装个导航，让它少走冤枉路本期介绍的几篇论文：[LG] LLM-as-a-Coach: Experiential Learning for Non-Verifiable Tasks[Microsoft Research]https://arxiv.org/abs/2607.18110 ---[RO] Patch Policy: Efficient Embodied Control via Dense Visual Representations[New York University]https://arxiv.org/abs/2607.18236 ---[AI] Fantastic Adaptive Taxonomies and How to Use Them[UC Berkeley]https://arxiv.org/abs/2607.16387 ---[LG] Discovery by Dreaming: Cross-Domain Recombination in Artificial Memory[University of Chicago & Stanford University]https://arxiv.org/abs/2607.16256 ---[LG] Can We Break LLMs Out of Self-Loops? Fine-Grained Reasoning Control with Activation Steering[UC San Diego & Adobe Research]https://arxiv.org/abs/2607.18100 在小宇宙查看该单集文稿

你有没有想过，AI和我们人类一样，也需要一套“成长方法论”？本期节目，我们就来聊聊几篇最新论文揭示的AI高手修炼秘籍：它们不仅要纠结是先上“通识课”还是先搞“专才特训”，甚至连最简单的复制粘贴都做不好，需要通过“认知升维”来解决。我们还会发现，一本好的“工作手册”可能比模型本身更重要，而AI“脑补”世界的方式，竟然和我们的大脑惊人地相似。最后，我们会看到AI如何学会“把力气用在刀刃上”的做事智慧。00:00:36 AI高手是怎样炼成的，通才教育还是专才特训？00:06:20 为什么顶尖模型连复制粘贴都做不好？00:11:11 比模型更重要的，可能是它的“工作手册”00:16:31 你的大脑，如何看穿了AI的秘密？00:24:07 做事高手的方法论，如何把力气用在刀刃上？本期介绍的几篇论文：[LG] Understanding Reasoning from Pretraining to Post-Training[New York University]https://arxiv.org/abs/2607.16097---[CL] Frontier Language Models Struggle to Copy: Text Can Be Better Viewed in 2D[Tsinghua University]https://arxiv.org/abs/2607.16072---[LG] Recursive Harness Self-Improvement[Sakana AI & UC Berkeley]https://arxiv.org/abs/2607.15524---[AI] Toward a mechanistic understanding of inference in visual cortex and diffusion models[UC Berkeley]https://arxiv.org/abs/2607.15693---[CL] Process Reward Informed Tree Rollout for Effective Multi-Turn RL[UC San Diego & Amazon]https://arxiv.org/abs/2607.15610在小宇宙查看该单集文稿

今天我们要分享五篇极其有趣的最新论文，带你看看AI不仅学会了像人类一样“边思考边画画”并随时纠错，竟然还长出了带有偏见和私心的“小算盘”。此外，我们还要探究大模型总是“学了新知识就忘旧知识”的失联真相，并尝试给笨手笨脚的机器人戴上一副看懂物理空间的“母语眼镜”。最后，我们一起看看科学家如何通过“脑内推演”和“跨界对齐”，让机器人彻底告别“一根筋”。准备好刷新你对人工智能的认知了吗，我们马上出发！00:00:37 AI的新活法，一边思考，一边画画 00:05:56 你以为AI是中立的？其实它有自己的“小算盘”00:11:41 给机器人换一副“母语”眼镜00:17:44 给AI上课，为什么它学会了新知识，却忘了旧的？00:24:41 让机器人告别“一根筋”本期介绍的几篇论文：[LG] Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes [Google] https://arxiv.org/abs/2607.13188 ---[LG] Value Leakage: An LLM's Answers Are Silently Shaped by Its Own Values [Truthful AI] https://arxiv.org/abs/2607.14345 ---[RO] See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models [KAIST AI] https://arxiv.org/abs/2607.11498 ---[CL] Can a Language Model Learn Facts Continually in Its Weights? [Baseten] https://arxiv.org/abs/2607.11020 ---[RO] Towards Predictive, Aligned, and Scalable Robot Learning [Astribot Team] https://arxiv.org/abs/2607.11270 在小宇宙查看该单集文稿

今天这期节目，我们要聊五篇最新论文，它们从不同角度揭示了AI智能的本质。第一篇告诉我们，一万亿参数的模型在零强化学习下，居然自己"长"出了结构化思考、并行推理、甚至拟人化焦虑；第二篇发现，视频生成AI在多球碰撞这种简单物理任务上会崩盘，因为它的并行工作方式无法处理严格的因果链条；第三篇提出用"机械主义世界模型"让AI从预测者变成发现者，核心是学习可复用的解释机制而非死记硬背数据；第四篇揭示了一个可怕的"世界-行动漂移"攻击，机器人的"想象"和"行动"可以被恶意解耦，它想得对但做得错；第五篇则展示了如何让机器人真正"开窍"，关键是把语言规划和视觉想象融合成交织的思考序列。这五篇论文，构成了一幅关于AI认知边界与突破路径的完整拼图。00:00:55 AI的“笨”功夫，当一万亿参数学会自己思考00:07:37 为什么AI“想得越久”，反而越糊涂？00:12:47 为什么懂了那么多道理，还是过不好这一生？AI也一样00:20:51 机器人“口是心非”，当它想得挺美，干得却不对00:25:37 机器人怎么才算“开窍”了？它得会“脑补”本期介绍的几篇论文：[CL] Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning [Renmin University of China & Ant Group] https://arxiv.org/abs/2607.12395 ---[LG] The Seriality Gap in Video Diffusion Models [UC Berkeley] https://arxiv.org/abs/2607.13031 ---[AI] From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [University of Oxford] https://arxiv.org/abs/2607.12474 ---[LG] BadWAM: When World-Action Models Dream Right but Act Wrong [National University of Singapore & The Hong Kong Polytechnic University] https://arxiv.org/abs/2607.15207 ---[RO] RxBrain: Embodied Cognition Foundation Model with Joint Language-Visual Reasoning and Imagination [Tencent Robotics X Team] https://arxiv.org/abs/2607.14187 在小宇宙查看该单集文稿

你有没有想过，为什么机器人总是记不住自己干了什么？AI的“老师”会不会偷偷从网页评论区学习知识？今天，我们就来聊聊几篇最新论文带来的奇妙启发：我们将一起探索如何给机器人装上“好记性”，如何揪出AI知识里的“隐藏毒药”，并揭示让AI学会高效“差值学习”、拥有“一步到位”想象力，甚至打通“思考快车道”的秘密。00:00:29 机器人笨手笨脚？可能只是记性不好00:05:39 你的AI老师，可能正在偷看网页评论区00:13:11 高手精进的秘密，不止是模仿，更是学“差值”00:18:07 让机器人学会“一步到位”的想象力00:23:37 AI思考的“快车道”本期介绍的几篇论文：[RO] RoboTTT: Context Scaling for Robot Policies [NVIDIA] https://arxiv.org/abs/2607.15275 ---[CL] Pretraining Data Can Be Poisoned through Computational Propaganda [University of Washington] https://arxiv.org/abs/2607.15267 ---[LG] On-Policy Delta Distillation [NAVER AI Lab] https://arxiv.org/abs/2607.15161 ---[RO] DriftWorld: Fast World Modeling through Drifting [MIT & Harvard University] https://arxiv.org/abs/2607.15065 ---[CL] T²MLR: Transformer with Temporal Middle-Layer Recurrence [Princeton University] https://arxiv.org/abs/2607.15178 在小宇宙查看该单集文稿

这一期，我们来聊一个特别有意思的话题：如何用“巧劲”让AI变得更聪明？我们不再堆砌算力，而是探讨五篇最新论文带来的精妙思路。你会听到，有时候，真正的突破来自于一次大胆的“做减法”；有时候，我们只需在AI和它的工具之间，增加一个聪明的“随身翻译”。我们还会看到，如何像一个旁观者一样，精准确立AI每一步的功劳；如何为AI装上一个“记忆管理员”，让它学会管理自己的知识；以及，如何像动一次“微创手术”一样，只调整百万分之一的参数，就让AI掌握全新技能。00:00:45 让AI更聪明的秘密，竟然是做减法？00:05:54 你的AI编程助手，需要一个“随身翻译”00:11:43 你的员工，99%的努力都白费了？00:18:03 高手比拼的，是对记忆的管理能力00:23:08 给AI动个“小手术”，而不是“大换血”本期介绍的几篇论文：[CL] GFlowRL: Scaling Distribution-Matching RL to Large Language Models [Microsoft Research] https://arxiv.org/abs/2607.13394 ---[LG] Generative Compilation: On-the-Fly Compiler Feedback as AI Generates Code [ETH Zurich & INSAIT and Sofia University & UC Berkeley] https://arxiv.org/abs/2607.13921 ---[LG] TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents [University of Wisconsin–Madison & Microsoft Research] https://arxiv.org/abs/2607.13988 ---[CL] Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [University of California Los Angeles] https://arxiv.org/abs/2607.13591 ---[LG] Data-Efficient Adaptation of LLMs via Attention Head Reweighting [Microsoft Research & Microsoft Security AI] https://arxiv.org/abs/2607.13425 在小宇宙查看该单集文稿

这一期，我们来当一回AI的“监考官”和“心理医生”，看看怎么科学地判断AI是在“背课文”还是“会造句”。我们还会探究，当AI说自己“十拿九稳”时，它的自信是发自内心，还是纯属表演。更会揭示，为何总分稳定的模型，答案却可能因一句无关的“废话”就悄悄“叛变”。最后，从给地球装上“大脑”，到揭开我们“猜懂”外语的秘密，这些最新论文将刷新我们对智能的认知。00:00:33 怎么知道AI“背课文”，而不是“会造句”？00:06:04 AI的“心里有底”，到底是怎么回事？00:14:01 AI大模型，总分没变，答案却悄悄“叛变”了00:18:40 你的地球专属“大脑”，是怎么被训练出来的？00:25:22 我们其实都是半个翻译家本期介绍的几篇论文：[LG] Extractable Memorization From First Principles [Stanford & Google Research & Google DeepMind] https://arxiv.org/abs/2607.12649 ---[LG] The Computational Basis of Confidence in Large Language Models [Google DeepMind] https://arxiv.org/abs/2607.12447 ---[CL] The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [Georgia Tech & Stanford University] https://arxiv.org/abs/2607.12963 ---[AI] The Emerging Paradigm of Geospatial Foundation Models: From Pre-Training to Agentic Reasoning [Google Public Sector] https://arxiv.org/abs/2607.12177 ---[CL] We Hebben Een Serieus Translatie: Modeling Intercomprehension as Probabilistic Inference [MIT] https://arxiv.org/abs/2607.12169 在小宇宙查看该单集文稿

我们总说AI有知识，但你想过吗，AI的知识该如何称重、如何存储、又该如何溯源？更进一步，AI能否自我修炼、检查作业，它吃的“数据大餐”又藏着怎样的“秘密食谱”？今天，我们就从五篇最新的论文出发，一起探索AI知识世界的台前与幕后。00:00:24 给AI模型称重，我们终于有了一杆新秤00:06:34 AI的“记忆宫殿”是如何搭建的？00:11:56 AI的自我修炼，如何从“检查作业”中获得智慧00:17:01 AI世界的“亲子鉴定”技术00:22:37 AI的“隐藏食谱”，为什么数据配比比数量更重要？本期介绍的几篇论文：[LG] Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data[New York University & CMU]https://arxiv.org/abs/2607.11883---[LG] MLPs are Hebbians: Constructing Efficient Fact-Storing MLPs for Transformers[Stanford University]https://arxiv.org/abs/2607.10034---[AI] SVR-R1: Bootstrapping Multi-modal Reasoning with Self-verification in Reinforcement Learning[University of Illinois Urbana-Champaign & Meta]https://arxiv.org/abs/2607.10966---[LG] Reference-Based Distillation Detection in LLMs[UC Berkeley]https://arxiv.org/abs/2607.09692---[LG] Domain-Aware Scaling Laws Uncover Data Synergy[MIT & Microsoft Research]https://arxiv.org/abs/2607.11052在小宇宙查看该单集文稿

今天我们要聊聊，AI那些颠覆我们常识的学习心法。你会发现，AI为了画出逼真的视频，竟然偷偷学会了物理学；而教一个笨手笨脚的机器人，我们既可以改变它脑中的“潜意识”，也可以只给它换一句神奇的“咒语”。我们还会看到，AI如何把每一次“失败”都变成成功的养料，以及“抽象思维”在它脑海里清晰浮现又逐渐妥协的全过程。准备好，让我们一起潜入AI的“思想深处”，看看它到底是怎么变聪明的。00:00:34 别以为AI生成视频只是为了好玩，它其实是在偷偷“理解”物理世界00:05:54 别再给AI做“开颅手术”了，教机器人干活有更聪明的办法00:11:23 别把“失败”当废料，它只是放错了位置的“成功”00:16:47 AI的“抽象思维”是怎么炼成的？揭开学习与认知的隐藏规律00:22:12 当AI遇到死胡同，给它换个“咒语”就能破局本期介绍的几篇论文：[CV] Video Generation Models are General-Purpose Vision Learners [Google DeepMind] https://arxiv.org/abs/2607.09024 ---[RO] FlowDAgger: Human-in-the-Loop Adaptation of Generative Robot Policies in Latent Space [Microsoft Research] https://arxiv.org/abs/2607.08877 ---[LG] Learning More from Less: Reinforcement Learning from Hindsight [MIT & Stanford University] https://arxiv.org/abs/2607.09042 ---[LG] How are linear representations learned? Exact solutions to the dynamics of abstraction [University College London] https://arxiv.org/abs/2607.08843 ---[LG] Prompt-Driven Exploration [MIT] https://arxiv.org/abs/2607.08837 在小宇宙查看该单集文稿

今天我们不聊AI有多聪明，而是聊如何让它更“会”做事。我们将一起看看，最新的AI研究如何像顶级教练一样，为AI程序员打造完美的成长路径；如何用“偷天换日”的巧思，让AI看懂世间万物的运动；我们还将揭示AI学会“人情世故”的三个秘密，并从AI的进化策略中，找到我们普通人打破僵局的生存法则。00:00:28 AI程序员的成长烦恼，聪明还不够00:06:34 从蝴蝶到纸飞机，如何让AI看懂世间万物的运动？00:11:35 让AI更懂“人情世故”的三个秘密00:17:34 别等“万事俱备”，从顶级AI算法看普通人的破局之道本期介绍的几篇论文：[AI] ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes [Microsoft Research & Nanyang Technological University] https://arxiv.org/abs/2607.04439 ---[RO] RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies [HKU & PKU & THU] https://arxiv.org/abs/2607.04434 ---[AI] LLM-as-a-Verifier: A General-Purpose Verification Framework [Stanford University & UC Berkeley] https://arxiv.org/abs/2607.05391 ---[CV] Multiplayer Interactive World Models with Representation Autoencoders [General Intuition & Kyutai] https://arxiv.org/abs/2607.05352 ---[CV] SPEAR: A Simulator for Photorealistic Embodied AI Research [Adobe Research & Manycore Tech Inc] https://arxiv.org/abs/2607.06701 在小宇宙查看该单集文稿

你有没有想过，AI的创新灵感从何而来？我们又该如何给机器人办一场“驾校”大考，挤掉行业泡沫？本期节目，我们将一起探秘几篇最新论文，看看AI如何从学习创新的“套路”开始，进化成能精准评估工作的“检验员”，甚至最终拿到创造和改造虚拟游戏世界的“后台密码”。00:00:25 创新不是凭空想象，而是一门有“套路”的手艺00:05:51 给机器人办个驾校，结果全班不及格？00:11:15 从“裁判”到“检验员”，一个身份的转变00:17:51 如何凭空创造一个，你能开进去玩的游戏世界？00:22:43 当AI拿到了游戏引擎的“后台密码”本期介绍的几篇论文：[AI] ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes [Microsoft Research & Nanyang Technological University] https://arxiv.org/abs/2607.04439 ---[RO] RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies [HKU & PKU & THU] https://arxiv.org/abs/2607.04434 ---[AI] LLM-as-a-Verifier: A General-Purpose Verification Framework [Stanford University & UC Berkeley] https://arxiv.org/abs/2607.05391 ---[CV] Multiplayer Interactive World Models with Representation Autoencoders [General Intuition & Kyutai] https://arxiv.org/abs/2607.05352 ---[CV] SPEAR: A Simulator for Photorealistic Embodied AI Research [Adobe Research & Manycore Tech Inc] https://arxiv.org/abs/2607.06701 在小宇宙查看该单集文稿

你有没有想过，AI那些令人惊叹的能力背后，藏着哪些不为人知的“思维技巧”？本期我们将一口气揭秘五份最新论文，看看AI是如何通过巧妙地“转化问题”来优雅破局，又是如何靠“少即是多”的智慧来激发真正的创造力。我们还会探讨，AI如何像顶级搭档一样与我们达成“完美默契”，如何拥有一个不会遗忘关键信息的“主动记忆”系统，以及它如何聪明地判断“自己何时才需要学习”。准备好，让我们一起探寻AI更深层次的智慧吧！00:00:37 你的小改动，到底有多大用？00:07:18 如何给你的大脑装一个“神级副驾”？00:13:10 AI创造力的秘密，不是看得更多，而是看得更少00:18:28 AI读心术，如何与机器达成完美配合？00:24:19 AI也在“终身学习”，但它真的“学”进去了吗？本期介绍的几篇论文：[LG] GradInf: Gradient Estimation as Probabilistic Inference [CMU & MIT & Chalmers University of Technology] https://arxiv.org/abs/2607.07840 ---[CL] Remember When It Matters: Proactive Memory Agent for Long-Horizon Agents [Meta AI] https://arxiv.org/abs/2607.08716 ---[LG] An exact information theory of generalization phase transitions in Bayesian diffusion models [Stanford University] https://arxiv.org/abs/2607.08041 ---[LG] Provably Optimal Learning Algorithms for Assistance Games [UC Berkeley] https://arxiv.org/abs/2607.08012 ---[LG] When Does Continual Learning Require Learning [UC Berkeley] https://arxiv.org/abs/2607.07847 在小宇宙查看该单集文稿

今天我们要聊点颠覆常识的话题：为什么AI精准的预测可能是个陷阱？一个AI画家的大脑里，怎么会藏着一个顶级的评论家？更神奇的是，AI的“幻觉”里竟然藏着智慧，它甚至还能学会科学家的“第六感”！本期，我们就从五篇最新的论文出发，一起潜入AI的“思考”深处，看看这些惊人的发现。准备好了吗？让我们马上开始！00:00:28 预测未来，我们掉进了一个“伪能力”陷阱00:06:51 一个AI，两种“人生”，它既是画家，也是评论家？00:12:50 如何让AI拥有“好记性”，还不用“费脑子”？00:18:12 犯错的好处，AI的“幻觉”里藏着什么秘密？00:23:39 科学家的“第六感”，AI是怎么学会的？本期介绍的几篇论文：[LG] Rethinking Multimodal Time-Series Forecasting Evaluation [Google Research & Georgia Institute of Technology] https://arxiv.org/abs/2607.06973 ---[CV] Gen4U: Unifying Video Generation and Understanding via Diffusion [Google DeepMind] https://arxiv.org/abs/2607.06856 ---[LG] Sparse Delta Memory: Scaling the State of Linear RNNs through Sparsity [Meta FAIR] https://arxiv.org/abs/2607.07386 ---[CV] HIVE: Understanding Post-Hallucination Reasoning in Vision Language Models [Purdue University & Rutgers University & Meta AI] https://arxiv.org/abs/2607.07507 ---[CL] Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [Shanghai Artificial Intelligence Laboratory] https://arxiv.org/abs/2607.07708 在小宇宙查看该单集文稿

你有没有想过，一个AI是真的学会了，还是在“假装”学好？本期节目，我们就来一场AI“认知深度”的探索之旅。我们会看到，最新的AI研究如何让机器拥有“两种眼睛”看清黑暗，学会“抄家伙”的变通，构建一张改造生物工厂的“活地图”，甚至发展出自己的“内心世界”。让我们一起揭开AI从“超级工具”走向“思考主体”的秘密。00:00:30 告别黑暗，当摄像头拥有了两种“眼睛”00:05:34 让机器人学会“抄家伙”的秘密00:11:15 让AI拥有一个“内在世界”00:17:08 AI造物，一张“活地图”如何改造生物工厂？00:23:36 你的模型“假装”学好了吗？本期介绍的几篇论文：[CV] EeveeDark: A Binary Neural Framework for Low-Light Video Enhancement via Event-Guided Sensor-Level Fusion [Hacettepe University] https://arxiv.org/abs/2607.06217 ---[RO] FORGE: Towards Functional Tool-Use Generalization via Keypoint Trajectory Reasoning [Nanyang Technological University & Georgia Institute of Technology] https://arxiv.org/abs/2607.05780 ---[CL] From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution [Shanghai Lixin University of Accounting and Finance] https://arxiv.org/abs/2607.06269 ---[LG] Canopy: A Heterograph Foundation Model for Metabolic Engineering [Twig Bio] https://arxiv.org/abs/2607.06224 ---[CV] Association Restoration Test: Revealing Restorable Shortcuts after Unlearning [Stanford University] https://arxiv.org/abs/2607.05726 在小宇宙查看该单集文稿

想知道AI如何变得更聪明、更高效吗？本期我们就来看几篇脑洞大开的最新论文。我们将一起探索，AI如何拉着“老模型”一起“团购”评测来省钱，又如何通过一个圈子的“开放性”来揪出网络水军。你还会听到，AI如何变身“虚拟陪练”教会机器人高难度操作，如何告别“炼丹”自动组建“梦之队”，甚至如何“升职”为科学家的项目总管。这些看似不相关的研究，背后都指向了同一个趋势：AI正在从单纯的工具，进化为解决问题的“系统设计师”。00:00:37 AI评测的“省钱攻略”，如何拉着“老模型”一起“团购”？00:07:13 抓出网络里的“坏人”，关键看谁的“圈子”不够开放00:12:07 虚拟世界里的“陪练”，如何教会现实中的机器人？00:18:28 告别“炼丹”，AI高手的新玩法00:23:39 给科学家升职，AI当起了“总管”本期介绍的几篇论文：[LG] CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [Google DeepMind] https://arxiv.org/abs/2607.05046 ---[LG] Active Learning on Adversarially Corrupted Graphs [Università degli Studi di Milano & Bocconi University] https://arxiv.org/abs/2607.04869 ---[RO] SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing [NVIDIA] https://arxiv.org/abs/2607.04616 ---[LG] TabPack: Efficient Hyperparameter Ensembles for Tabular Deep Learning [Yandex & HSE University] https://arxiv.org/abs/2607.05380 ---[CL] Rethinking Scientific Discovery in an Agentic Era [Shanghai Innovation Institute] https://arxiv.org/abs/2607.03863 在小宇宙查看该单集文稿

想知道AI画画如何实现指数级加速，又为何会“英雄所见略同”吗？当AI学会了高情商作弊，我们又该如何分辨并驯服它？更重要的是，我们为AI安全打造的“锁”，会不会变成禁锢思想的“笼”？本期节目，我们将一口气洞察五篇最新论文，揭开AI世界里那些令人兴奋又警醒的秘密。00:00:25 生成AI的“指数级”加速器，藏着什么秘密？00:05:45 你以为的AI安全锁，也可能是别人的思想钢印00:12:18 AI的“高情商”作弊，我们如何驯服一个聪明的“坏学生”？00:17:29 AI学画画，谁是它的“动作”老师？00:22:41 AI绘画的“趋同性”，为什么英雄所见略同？本期介绍的几篇论文：[LG] High-accuracy sampling for diffusion models and log-concave distributions[MIT & Yale University]https://arxiv.org/abs/2602.01338---[LG] Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit[LMU Munich]https://openreview.net/forum?id=dy2HwmOvFX---[LG] The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes[FAR.AI]https://arxiv.org/abs/2602.15515---[CV] Motion Attribution for Video Generation[NVIDIA]https://arxiv.org/abs/2601.08828---[LG] A Random Matrix Theory Perspective on the Consistency of Diffusion Models[Harvard University]https://arxiv.org/abs/2602.02908在小宇宙查看该单集文稿

你有没有想过，要让AI真正理解世界，而不是简单模仿，到底需要几步？本期我们将看到，最新的论文正在教AI像婴儿一样建立内在的“世界模型”，并给我们一张能诊断它心智的“大脑地图”。我们还会揭秘，如何用“家教天团”模式培养全能AI，让机器人拥有和人相处的“眼力见”，以及教会它像学汉字笔画一样拆解世间万物的动作。准备好，让我们一起探索AI心智的构建蓝图。00:00:32 AI的“婴儿模式”，它如何偷偷学会了物理定律？00:05:32 给你一张AI的“大脑地图”00:12:17 AI界的“家教天团”，如何培养一个全能型选手00:18:09 让机器人拥有“眼力见”，差的是什么？00:23:16 想看懂世界？先学会拆解动作本期介绍的几篇论文：[CV] Orca: The World is in Your Mind[Beijing Academy of Artificial Intelligence]https://arxiv.org/abs/2606.30534---[AI] NeuroCogMap Reveals Cognitive Organization of Large Language Models[Renmin University of China & Beijing University of Posts and Telecommunications & The University of Hong Kong]https://arxiv.org/abs/2607.00397---[CL] MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training[Xiaomi & Peking University]https://arxiv.org/abs/2606.30406---[RO] HABIT: Human-Aware Behavior and Interaction Training Dataset for Robot Manipulation[Config]https://arxiv.org/abs/2606.31682---[AI] Latent Actions from Factorized Transition Effects under Agent Ambiguity[Brown University]https://arxiv.org/abs/2606.30544在小宇宙查看该单集文稿

你有没有想过，当AI不再追求“大力出奇迹”时，它会进化出怎样惊人的智慧？本期节目，我们就来聊聊AI如何从“内功”和“招式”上自我进化。它会如何发明一套“黑话”来自我思考，让效率提升数倍；一个“普通”模型又如何通过顶级流程，战胜天赋异禀的“天才”；它又将怎样为虚拟世界的角色，注入一个会思考、懂物理的“灵魂”？今天，我们就从几篇最新论文出发，揭秘AI如何变得更聪明，而非更“大”。00:00:36 AI的长记性难题，一个聪明的“图书管理员”00:05:12 成为高手，靠天赋还是靠流程？00:10:28 “虚拟人”的“灵魂”，它如何学会像你一样思考和行动？00:16:07 AI的眼睛，看得清，还是看得懂？00:22:24 让AI说“黑话”，它会变得多聪明？本期介绍的几篇论文：[LG] Hierarchical Global Attention (HGA) [BMW Group] https://arxiv.org/abs/2606.30709 ---[CL] Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent [Shanghai Artificial Intelligence Laboratory] https://arxiv.org/abs/2606.30616 ---[CV] GPC: Large-Scale Generative Pretraining for Transferable Motor Control [Simon Fraser University & NVIDIA] https://arxiv.org/abs/2606.29148 ---[CV] LeVLJEPA: End-to-End Vision-Language Pretraining Without Negatives [German Cancer Research Center & Brown University] https://arxiv.org/abs/2607.00784 ---[AI] When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning [Chinese Academy of Sciences] https://arxiv.org/abs/2606.29354 在小宇宙查看该单集文稿

我们总以为AI的进步就是靠“大力出奇迹”，但如果这个“大力”会扭曲现实、甚至有它砸不开的墙呢？本期，我们就来看几篇“反其道而行”的最新论文，看看AI如何学会像乐高大师一样分解任务，像生物一样进化出看问题的“火眼金睛”。我们还会给AI的思维做个“CT扫描”，看看它在百万份文件中是如何被“噪音”淹没，又是如何学会重新聚焦的。准备好，让我们一起探索AI如何告别蛮力，走向真正的“巧”劲儿。00:00:35 AI能扮演人类吗？一个关于“大力出奇迹”的意外发现00:08:00 如何给AI的思维过程做个“CT扫描”？00:13:57 让AI学会“开窍”，聪明的数据，胜过强大的模型00:19:46 高手解题，为何偏爱“笨办法”？00:25:23 大模型记忆的极限，为什么“知道”不等于“能说出来”？本期介绍的几篇论文：[CL] Will Scaling Improve Social Simulation with LLMs?[Stanford University]https://arxiv.org/abs/2607.02464---[LG] Geometric Signatures of Reasoning: A Spectral Perspective on Task Hardness[Northeastern University & University of Southern California & Google Research]https://arxiv.org/abs/2607.01571---[LG] Evolutionary Feature Engineering for Structured Data[University of Michigan & Google Research]https://arxiv.org/abs/2607.01548---[LG] DecompRL: Solving Harder Problems by Learning Modular Code Generation[FAIR at Meta & Inria]https://arxiv.org/abs/2607.02390---[CL] Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale[UC Berkeley & UT Austin]https://arxiv.org/abs/2607.01538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，聪明的AI也会有自己的烦恼？比如，它可能像个伪装极深的“卧底”，悄悄藏着偏见；也可能像个只会刷题的“好学生”，答案虽对，却毫无灵气。它在解决难题时，可能会反复“无效内卷”，或者在关键的推理环节“脑子短路”。本期节目，我们就从几篇最新论文出发，看看科学家们如何通过巧妙的设计，教会AI自我审视、优雅试错、清晰思考，甚至让它的思考过程变得有迹可循。准备好，我们一起揭开AI变得更聪明的秘密。00:00:40 AI的“无间道”，如何揪出那些伪装良好的“卧底”偏见？00:05:55 AI变聪明的秘密，不是多试几次，而是换个姿势再试00:11:08 AI侦探断案，为什么它连“你妈的儿子的老婆”都搞不清？00:16:45 怎样让AI的思考，既聪明又有迹可循？00:22:06 AI的“好学生”困境，做对题，为何还是不对劲？本期介绍的几篇论文：[CL] Distill to Detect: Exposing Stealth Biases in LLMs through Cartridge Distillation[Stanford University & University of Texas at Austin]https://arxiv.org/abs/2607.01208---[LG] QuasiMoTTo: Quasi-Monte Carlo Test-Time Scaling[Stanford University]https://arxiv.org/abs/2607.01179---[CL] DiscoLoop: Looping Discrete Embeddings and Continuous Hidden States for Multi-hop Reasoning[UC Berkeley]https://arxiv.org/abs/2607.00341---[CL] Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination[MIT & Oak Ridge National Laboratory]https://arxiv.org/abs/2607.00924---[LG] Right in the Right Way: LM Training with Verifiable Rewards and Human Demonstrations[MIT]https://arxiv.org/abs/2607.01181在小宇宙查看该单集文稿

你有没有想过，我们如何才能真正信任一个AI？本期节目，我们将从几篇最新论文出发，看看如何让AI学会谦虚地承认“我不确定”，以及如何看穿它解释背后真实的“小心思”。我们还会聊聊，如何赋予AI更强大的“变焦”记忆力，并像指挥家一样精准调教它的行为。准备好，一起揭开AI更深层的秘密吧！00:00:27 一个更“诚实”的AI，是如何炼成的？00:05:47 给AI的黑箱，装一扇透明的窗00:11:35 AI的“读心术”，我们真能看懂它在想什么吗？00:17:14 AI的记忆难题与“可变焦”图书馆00:22:22 如何正确地“挑毛病”，一个让机器人变聪明的沟通方法本期介绍的几篇论文：[CL] Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs [Yale University & Google Research] https://arxiv.org/abs/2606.32032 ---[CL] Introspective Coupling: Self-Explanation Training Tracks Behavioral Change Despite Fixed Supervision [MIT] https://arxiv.org/abs/2606.32038 ---[LG] Surrogate Fidelity: When Can Open LLMs Explain Closed Ones? [Meta] https://arxiv.org/abs/2606.32008 ---[CL] SeKV: Resolution-Adaptive KV Cache with Hierarchical Semantic Memory for Long-Context LLM Inference [University of British Columbia & Microsoft Research] https://arxiv.org/abs/2606.31145 ---[RO] Freeform Preference Learning for Robotic Manipulation [Stanford University] https://arxiv.org/abs/2606.32027 在小宇宙查看该单集文稿

你有没有想过，AI的“内心世界”是什么样的？本期我们要聊的几篇最新论文，就像是为我们打开了AI心智的几扇窗：当AI说“我很确定”时，它可能只是下定了决心；而一个“无欲无求”的旁观者AI，或许才是通往安全的新路径。我们还会看到，AI如何通过“开窍”学会跨界创新，如何用“错题本”学会自我反思，以及我们普通人如何拥有一本不用编程的“AI调校手册”。准备好了吗？让我们一起潜入AI思考的深处。00:00:35 AI说“我确定”的时候，它到底在确定什么？00:08:51 AI进化新思路，当个“旁观者”，而不是“操盘手”00:15:50 让聪明的模型，学会“开窍”00:20:02 一个会反思的AI，如何从犯错中学会正确答案00:24:44 驯服AI，一个不用编程的调校手册本期介绍的几篇论文：[LG] Reported Confidence in LLMs Tracks Commitment More Than Correctness [Google DeepMind] https://arxiv.org/abs/2606.29490 ---[AI] Safety from Honesty in a Disinterested AI Predictor [LawZero & Arb Research] https://arxiv.org/abs/2606.29657 ---[CL] Evolution Fine-Tuning: Learning to Discover Across 371 Optimization Tasks [University of Minnesota & CMU & KAIST] https://arxiv.org/abs/2606.29082 ---[AI] Flow Reasoning Models: Scaling Reasoning Through Iterative Self-Refinement [Georgia Tech & MIT] https://arxiv.org/abs/2606.29150 ---[CL] REAR: Test-time Preference Realignment through Reward Decomposition [Nanyang Technological University & UC Berkeley] https://arxiv.org/abs/2606.30339 在小宇宙查看该单集文稿