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

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

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

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

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

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

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

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

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

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

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

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

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

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

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