你有没有想过，聪明的AI也需要“成本意识”来做决策吗？本期内容，我们将一起探索几篇有趣的最新论文。我们会看到AI如何像精明的生意人一样学会“算账”，又如何像严谨的科学家一样，在未知领域做出有“误差保证”的可靠预测。接着，我们会发现AI绘画的新玩法，它竟然像是在玩一场二进制的填字游戏。最后，我们将揭秘，打造一个跑酷机器人高手，原来只需要聪明的“三步走”。准备好了吗？让我们一起出发！ 00:00:27 聪明人，更懂算账，AI决策的“成本意识”是怎么炼成的？ 00:06:21 AI算命，如何从“猜”到“算”？ 00:12:38 AI绘画新思路，画画，其实是在玩填字游戏 00:17:38 造一个跑酷高手，分几步？ 00:23:45 AI画画，如何从“猜”到“查”？ 本期介绍的几篇论文： [CL] Calibrate-Then-Act: Cost-Aware Exploration in LLM Agents [New York University] https://arxiv.org/abs/2602.16699 --- [LG] BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations [Princeton University & Princeton Plasma Physics Laboratory] https://arxiv.org/abs/2602.14853 --- [CV] BitDance: Scaling Autoregressive Generative Models with Binary Tokens [ByteDance] https://arxiv.org/abs/2602.14041 --- [RO] Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [Amazon FAR] https://arxiv.org/abs/2602.15827 --- [CV] Image Generation with a Sphere Encoder [Meta & University of Maryland] https://arxiv.org/abs/2602.15030

你有没有想过，AI要怎样才能像我们一样，“脑补”出世界的立体样貌，而不是死记硬背照片？当AI进行创作时，它脑中的“草稿”怎样才算恰到好处？本期节目，我们将一起探索几篇最新论文，看看AI如何通过理解“关系”而非事实获得视觉，如何通过引入“陪练老师”和“参考答案”实现自我进化，甚至学会了将记忆内化为“肌肉记忆”的“断舍离”神功，以及像搭乐高一样构建自己的能力。 00:00:34 你的大脑如何“脑补”出整个世界？ 00:07:02 AI绘画的“草稿”，怎么打才算恰到好处？ 00:12:32 为什么最聪明的AI，要先学会“断舍离”？ 00:17:38 乐高式AI，未来模型的正确拼法 00:23:06 AI进化的秘密，优等生的“参考答案” 本期介绍的几篇论文： [CV] Human-level 3D shape perception emerges from multi-view learning [UC Berkeley] https://arxiv.org/abs/2602.17650 --- [LG] Unified Latents (UL): How to train your latents [Google DeepMind Amsterdam] https://arxiv.org/abs/2602.17270 --- [LG] Training Large Reasoning Models Efficiently via Progressive Thought Encoding [Microsoft Research & University of Rochester] https://arxiv.org/abs/2602.16839 --- [LG] A Theoretical Framework for Modular Learning of Robust Generative Models [Google Research] https://arxiv.org/abs/2602.17554 --- [CL] References Improve LLM Alignment in Non-Verifiable Domains [Yale University & Meta] https://arxiv.org/abs/2602.16802

我们总希望AI越来越聪明，但“聪明”的维度远比我们想象的要丰富。本期节目，我们将从几篇最新的论文出发，探讨如何让机器人拥有“脑补”未来的想象力，如何用“预算制”让AI大模型运行得更精明，以及如何通过“微创手术”找到并拨动AI的“脾气”开关。我们还会聊聊，怎样才能让AI不再当“杠精”，学会谦虚请教，并最终看清它“学富五车”背后的知识盲区。准备好了吗？让我们一起探索AI智能的全新疆界。 00:00:37 机器人学会了“脑补”，世界将有什么不同？ 00:06:14 AI加速的“抠门”智慧，为什么顶尖高手都懂“预算”思维？ 00:11:50 找到AI的“脾气”开关 00:16:56 别让AI当“杠精”，教它学会“请教” 00:21:56 为什么AI“学富五车”，却总在关键时刻掉链子？ 本期介绍的几篇论文： [RO] World Action Models are Zero-shot Policies [NVIDIA] https://arxiv.org/abs/2602.15922 --- [LG] MoE-Spec: Expert Budgeting for Efficient Speculative Decoding [Meta Reality Labs & Franklin and Marshall College] https://arxiv.org/abs/2602.16052 --- [CL] Surgical Activation Steering via Generative Causal Mediation [MIT & Pr(AI)²R Group] https://arxiv.org/abs/2602.16080 --- [CL] Learning to Learn from Language Feedback with Social Meta-Learning [Google DeepMind] https://arxiv.org/abs/2602.16488 --- [CL] Long-Tail Knowledge in Large Language Models: Taxonomy, Mechanisms, Interventions and Implications [Google] https://arxiv.org/abs/2602.16201

本期我们要聊聊AI世界里那些看似矛盾却充满智慧的最新发现。为什么教AI做好事，它反而会“变坏”？又该如何像做微创手术一样，只修正它的一个知识点而不破坏整体能力？我们还会探讨，为什么在训练中“刻意放手”让模型偷个懒，效果反而更好，以及我们该如何打开AI的“奖励黑箱”，看看它到底在偷偷学些什么。准备好了吗？让我们一起潜入AI思想的深海。 00:00:33 AI大模型军备竞赛，如何不做那个“冤大头”？ 00:07:09 成长的捷径，学会“刻意放手” 00:12:52 好心办坏事，为什么训练AI做好事，它却变坏了？ 00:18:46 如何给AI动手术，才能只切病灶不伤身？ 00:24:37 打开AI的黑箱，它在偷偷学什么？ 本期介绍的几篇论文： [LG] Prescriptive Scaling Reveals the Evolution of Language Model Capabilities [Harvard University & Stanford University] https://arxiv.org/abs/2602.15327 --- [LG] On Surprising Effectiveness of Masking Updates in Adaptive Optimizers [Google & Northwestern University] https://arxiv.org/abs/2602.15322 --- [LG] The Geometry of Alignment Collapse: When Fine-Tuning Breaks Safety [Princeton University] https://arxiv.org/abs/2602.15799 --- [LG] CrispEdit: Low-Curvature Projections for Scalable Non-Destructive LLM Editing [University of Southern California] https://arxiv.org/abs/2602.15823 --- [LG] Discovering Implicit Large Language Model Alignment Objectives [Stanford University] https://arxiv.org/abs/2602.15338

你有没有想过，AI的大脑里到底是什么样子的？当它答不上来问题时，究竟是知识库里没有，还是只是暂时“丢了钥匙”？当它写出一长串思考过程时，我们又该如何分辨它是在“深度思考”，还是在“无效瞎忙”？本期节目，我们将通过五篇最新的论文，一起窥探AI的心智世界：从给语言做一次“CT扫描”，看懂语义的弯曲，到发现AI竟能凭语言统计“画”出世界地图，再到用“金发姑娘”策略为它匹配“刚刚好”的练习题。准备好，让我们一起出发，探索AI思考的奇妙运作机制！ 00:00:40 大模型知道答案，为什么就是不说？ 00:05:48 你的努力，是“真忙”还是“瞎忙”？ 00:11:04 给语言做个CT扫描，文本里的弯曲与折叠 00:18:28 大模型“脑”中的世界地图，原来是这样画出来的 00:24:03 AI刷题的“天花板”在哪？ 本期介绍的几篇论文： [CL] Empty Shelves or Lost Keys? Recall Is the Bottleneck for Parametric Factuality [Google Research & Technion] https://arxiv.org/abs/2602.14080 --- [CL] Think Deep, Not Just Long: Measuring LLM Reasoning Effort via Deep-Thinking Tokens [Google & University of Virginia] https://arxiv.org/abs/2602.13517 --- [LG] Text Has Curvature [CMU & Meta] https://arxiv.org/abs/2602.13418 --- [LG] Symmetry in language statistics shapes the geometry of model representations [Google DeepMind & UC Berkeley & EPFL] https://arxiv.org/abs/2602.15029 --- [LG] Goldilocks RL: Tuning Task Difficulty to Escape Sparse Rewards for Reasoning [EPFL & Apple] https://arxiv.org/abs/2602.14868

想知道AI如何“天生精干”，彻底告别臃肿吗？想了解AI怎么学会“看情况”调整思考深度，在直觉和深思之间自如“换挡”吗？最新论文还揭示了AI“偷懒”的艺术，甚至对它们进行了“心理质询”，看看聪明的AI到底靠不靠谱。本期节目，我们将从一个全新的视角，带你透视AI的内在进化。 00:00:29 AI大模型减肥指南，如何不节食也能瘦下来？ 00:05:30 该动脑，还是该凭感觉？AI也得学 00:12:33 AI偷懒的艺术，快，还要更好？ 00:18:16 你的AI军师，聪明就靠谱吗？ 00:23:59 给AI模型做个“认知升级”，换个角度看“注意力” 本期介绍的几篇论文： [LG] Stabilizing Native Low-Rank LLM Pretraining [Concordia University & Sorbonne University] https://arxiv.org/abs/2602.12429 --- [CL] Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents [Tencent Hunyuan & Fudan University] https://arxiv.org/abs/2602.12662 --- [LG] SLA2: Sparse-Linear Attention with Learnable Routing and QAT [Tsinghua University] https://arxiv.org/abs/2602.12675 --- [LG] Consistency of Large Reasoning Models Under Multi-Turn Attacks [CMU] https://arxiv.org/abs/2602.13093 --- [LG] HyperMLP: An Integrated Perspective for Sequence Modeling [Georgia Institute of Technology] https://arxiv.org/abs/2602.12601

这一期，我们将一起探索AI如何学习几项“反直觉”的超能力。比如，我们如何像侦探一样，在万亿词汇的海洋中，通过“剪枝”的智慧揪出隐藏的线索？我们还会发现，造出一台好用的机器人，关键可能不是发明，而是像“攒电脑”一样集成；而一个更聪明的AI，核心竟然是学会清晰地认知“我不行”，并懂得何时“求助”。最后，我们会看到机器人如何在自己的“想象”中完成上万次试错，以及AI如何通过一次精准的“器官移植”手术，变得又轻又强。准备好了吗？让我们即刻出发！ 00:00:42 你的每一次搜索，都在塑造AI的未来 00:06:52 造一台好机器人，关键可能不是“发明”，而是“攒” 00:12:00 聪明人的新技能，知道何时该“求助” 00:16:38 机器人怎样才能“脑补”出成功？ 00:22:13 AI瘦身指南，聪明，原来不必那么“重” 本期介绍的几篇论文： [CL] SoftMatcha 2: A Fast and Soft Pattern Matcher for Trillion-Scale Corpora [University of Tokyo & Kyoto University & Graduate University for Advanced Studie] https://arxiv.org/abs/2602.10908 --- [RO] YOR: Your Own Mobile Manipulator for Generalizable Robotics [New York University] https://arxiv.org/abs/2602.11150 --- [CL] LaCy: What Small Language Models Can and Should Learn is Not Just a Question of Loss [Apple] https://arxiv.org/abs/2602.12005 --- [RO] RISE: Self-Improving Robot Policy with Compositional World Model [The Chinese University of Hong Kong & Kinetix AI] https://arxiv.org/abs/2602.11075 --- [LG] Retrieval-Aware Distillation for Transformer-SSM Hybrids [CMU] https://arxiv.org/abs/2602.11374

你有没有想过，AI的“内心独白”我们能听懂吗？当AI像“包工头”一样开始互相派活，我们又该如何自处？本期节目，我们将一口气深入5篇最新论文，看看AI如何从“死记硬背”进化到“举一反三”，并揭示出决定它成长速度的秘密，竟然藏在语言自身的那张“地图”里。我们会发现，无论是AI的内心状态、协作模式还是成长法则，背后都隐藏着一些我们曾经忽略的简单规则。 00:00:34 AI的“内心独白”，我们能听懂吗？ 00:06:44 AI打工人的时代，我们如何当好“包工头”？ 00:15:22 高手之路，AI如何从“死记硬背”到“举一反三” 00:21:58 AI作画走不通？可能只是导航用错了地图 00:00 AI的成长秘籍，藏在语言自身里的那张地图 本期介绍的几篇论文： [CL] When Models Examine Themselves: Vocabulary-Activation Correspondence in Self-Referential Processing https://arxiv.org/abs/2602.11358 --- [AI] Intelligent AI Delegation [Google DeepMind] https://arxiv.org/abs/2602.11865 --- [LG] SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [UNC-Chapel Hill] https://arxiv.org/abs/2602.08234 --- [LG] Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders [Johns Hopkins University] https://arxiv.org/abs/2602.10099 --- [LG] Deriving Neural Scaling Laws from the statistics of natural language [SISSA & Stanford University] https://arxiv.org/abs/2602.07488

想知道如何把临时指令“刻”进AI的大脑，让它拥有真正的肌肉记忆吗？我们又该如何教AI学会“抄近道”，一步生成作品，而不是慢慢搭建？本期节目，我们将深入最新论文，探讨如何让AI不仅做对事，更要想对事，并揭示在调教AI时，那些我们习以为常却可能导致它“偏执”或“精神分裂”的惊人误区。 00:00:28 AI的“肌肉记忆”是怎么炼成的？ 00:05:48 造物，如何抄近道？ 00:11:04 AI调教指南，你以为的，不是你以为的 00:17:32 比做对事更重要的，是想对事 00:22:45 AI调教指南，为什么你喂得越多，它可能变得越偏执 本期介绍的几篇论文： [CL] On-Policy Context Distillation for Language Models [Microsoft Research] https://arxiv.org/abs/2602.12275 --- [LG] Categorical Flow Maps [University of Amsterdam & University of Oxford] https://arxiv.org/abs/2602.12233 --- [LG] The Magic Correlations: Understanding Knowledge Transfer from Pretraining to Supervised Fine-Tuning [Google DeepMind & Google Research] https://arxiv.org/abs/2602.11217 --- [LG] Right for the Wrong Reasons: Epistemic Regret Minimization for Causal Rung Collapse in LLMs [Stanford University] https://arxiv.org/abs/2602.11675 --- [LG] How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics [PSL Research University & Northwestern University] https://arxiv.org/abs/2602.12180

你有没有想过，那个能解开奥数难题的AI，可能连小学生的加法都会算错？这一期，我们就来深入AI的“脑回路”，看看它如何像一个真正的数学家那样自主探索未知，又如何像一个“AI工程师”一样实现自我进化。我们还会揭示，为什么让机器人学会“偷懒”和使用“小抄”，才是让它走向我们物理世界的关键一步。准备好了吗？让我们一起出发，探索这些最新论文背后，那个既熟悉又陌生的AI心智。 00:00:35 AI成了数学家，然后呢？ 00:05:49 AI，一个能解奥数题，却不会列竖式的小天才 00:11:13 你的手机，正在悄悄招聘一位AI工程师 00:17:57 给AI当军师，我们能不算卦就预知未来吗？ 00:24:09 你的世界，其实只需要一个“小抄” 本期介绍的几篇论文： [LG] Towards Autonomous Mathematics Research [Google DeepMind] https://arxiv.org/abs/2602.10177 --- [LG] AI-rithmetic [Google] https://arxiv.org/abs/2602.10416 --- [LG] Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents [Google] https://arxiv.org/abs/2602.10226 --- [LG] Configuration-to-Performance Scaling Law with Neural Ansatz [Tsinghua University & Stanford University] https://arxiv.org/abs/2602.10300 --- [LG] Affordances Enable Partial World Modeling with LLMs [Google Deepmind] https://arxiv.org/abs/2602.10390

今天我们要聊一个特别有意思的话题：如何“看透”AI并让它变得更好？我们将通过几篇最新论文，揭示一些反常识的智慧：比如，有时让AI“盲目”一点，它反而画得更好；想让它变聪明，关键可能不是“教”得多，而是“教”得巧。我们还会看到，攻击AI的最高境界，可能不是塞给它坏东西，而是对好东西做一次肉眼看不见的“微创手术”！ 00:00:31 AI“投毒”新姿势，不是塞坏东西，而是让好人变坏 00:07:00 让AI变聪明的秘密，不是加法，是减法 00:11:29 AI的瘦身难题，如何高效地“抓重点”？ 00:17:14 AI的“思想慢镜头”，我们如何看懂它在想什么？ 00:22:54 AI绘画新思路，有时候，少即是多 本期介绍的几篇论文： [LG] Infusion: Shaping Model Behavior by Editing Training Data via Influence Functions [University of Oxford & UCL] https://arxiv.org/abs/2602.09987 --- [CL] Effective Reasoning Chains Reduce Intrinsic Dimensionality [Google DeepMind & UNC Chapel Hill] https://arxiv.org/abs/2602.09276 --- [LG] WildCat: Near-Linear Attention in Theory and Practice [Imperial College London & Microsoft Research] https://arxiv.org/abs/2602.10056 --- [LG] Step-resolved data attribution for looped transformers [University of Potsdam & Technical University of Munich & MunichHarvard University] https://arxiv.org/abs/2602.10097 --- [LG] Blind denoising diffusion models and the blessings of dimensionality [Simons Foundation & Yale University] https://arxiv.org/abs/2602.09639

你有没有想过，真正的高手和普通人的思维差异在哪？今天我们要聊的，就是AI如何向各路高手“偷师学艺”。我们会看到，AI如何学会像园艺大师一样“精准剪枝”，做出最少却最关键的改动；如何像一个学霸，通过模仿，赢在训练的“起跑线”上。甚至，它还学会了我们最熟悉的两个策略：像写作者一样“先打草稿再定稿”，以及像我们读书时一样，边读边在脑子里贴上“思维小纸条”。当然，我们还会聊聊，如何给AI的“说明书”能力，建立一个既靠谱又高效的自动化考场。准备好了吗？让我们一起探索AI思考的进化之路！ 00:00:45 高手调参，为什么“少做”有时比“多做”更聪明？ 00:05:50 AI训练的起跑线，一个被忽视的“小动作” 00:10:08 AI的“说明书”能力，我们该如何衡量？ 00:16:29 AI如何像高手一样思考，先打草稿，再定稿 00:21:02 AI“开小差”的秘密，边读边想，效率翻倍 本期介绍的几篇论文： [LG] BONSAI: Bayesian Optimization with Natural Simplicity and Interpretability [Meta] https://arxiv.org/abs/2602.07144 --- [LG] Mimetic Initialization of MLPs [CMU] https://arxiv.org/abs/2602.07156 --- [LG] How2Everything: Mining the Web for How-To Procedures to Evaluate and Improve LLMs [Allen Institute for AI & University of Maryland] https://arxiv.org/abs/2602.08808 --- [LG] iGRPO: Self-Feedback-Driven LLM Reasoning [NVIDIA] https://arxiv.org/abs/2602.09000 --- [CL] Latent Reasoning with Supervised Thinking States [Google Research] https://arxiv.org/abs/2602.08332

我们总惊叹于AI的聪明，但你有没有想过，它们也会有思维盲区，甚至会犯一些“聪明人”的“笨”错误吗？这一期，我们就来深入AI的“内心世界”：我们将一起探索如何让机器人通过“做梦”来理解物理世界，看看AI会如何像“开普勒”一样只懂皮毛，又如何被引导成洞悉规律的“牛顿”。我们还会聊聊怎样训练一个AI成为另一个AI的“天敌”，以及如何绘制一张AI的“思想地图”，给它做一次全面的“体检”。准备好了吗？让我们一起出发！ 00:00:37 让机器人做梦，是为了让它更好地干活 00:06:01 聪明人的“笨”办法，我们能从AI的失败中学到什么？ 00:12:11 你的AI是“牛顿”还是“开普勒”？ 00:18:18 如何把一个AI，训练成另一个AI的“天敌”？ 00:23:44 AI的“思想地图”，我们如何给大模型做“体检”？ 本期介绍的几篇论文： [RO] DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [NVIDIA] https://arxiv.org/abs/2602.06949 --- [CL] Large Language Model Reasoning Failures [Stanford University & Carleton College] https://arxiv.org/abs/2602.06176 --- [LG] From Kepler to Newton: Inductive Biases Guide Learned World Models in Transformers [Stanford University] https://arxiv.org/abs/2602.06923 --- [CL] SEMA: Simple yet Effective Learning for Multi-Turn Jailbreak Attacks [Microsoft Research & University of Rochester] https://arxiv.org/abs/2602.06854 --- [LG] Learning a Generative Meta-Model of LLM Activations [UC Berkeley] https://arxiv.org/abs/2602.06964

今天我们来聊一个特别有意思的话题：AI是如何学习和思考的？我们不再满足于AI能做什么，而是想知道它怎样才能做得更好。本期节目，我们将通过几篇最新论文，揭秘AI如何拥有自己的“私教系统”实现共同进化，如何通过“训练吃苦”换来我们使用时的“一步到位”，甚至如何在信息不全时“拜师学艺”，以及在思考时如何像高手一样进行“全局推演”。准备好了吗？让我们一起潜入AI的大脑深处。 00:00:34 如何打造一个完美的“AI私教”系统？ 00:06:13 为什么说最快的AI，都在训练时“吃苦”？ 00:11:23 不开“上帝视角”，如何成为高手？ 00:15:52 想让机器人变聪明？别只教它“干活” 00:21:13 AI思考的秘密，为什么有的模型更会解谜？ 本期介绍的几篇论文： [LG] RLAnything: Forge Environment, Policy, and Reward Model in Completely Dynamic RL System [Princeton University] https://arxiv.org/abs/2602.02488 --- [LG] Generative Modeling via Drifting [MIT] https://arxiv.org/abs/2602.04770 --- [LG] Privileged Information Distillation for Language Models [ServiceNow] https://arxiv.org/abs/2602.04942 --- [RO] A Systematic Study of Data Modalities and Strategies for Co-training Large Behavior Models for Robot Manipulation [Toyota Research Institute] https://arxiv.org/abs/2602.01067 --- [LG] Reasoning with Latent Tokens in Diffusion Language Models [CMU] https://arxiv.org/abs/2602.03769

你有没有想过，AI的“内心”也会上演一出出精彩的戏码？这一期，我们将一起潜入AI的大脑，看看它如何像我们一样，在解题前就有了“这题我能行”的直觉；然后我们会给它一张“地图”，看它如何从迷茫游客变身城市规划师，看懂整个复杂的软件世界；接着，我们将见证一位机器人“偷师学艺”，只通过观看视频就学会了打篮球；最后，我们还会聊聊顶尖数学家们如何给AI办一场杜绝作弊的“闭卷考”，以及AI训练场上一条好心办坏事的“交通规则”是如何被修正的。 00:00:40 AI的“第六感”，它如何知道自己快答对了？ 00:05:17 给AI一张地图，让它看懂整个软件世界 00:10:47 机器人偷师记，它怎么光看视频就学会了打篮球？ 00:18:33 给AI一场“闭卷考”，顶尖数学家们想干啥？ 00:23:05 AI训练场上的“交规”，为什么好心会办坏事？ 本期介绍的几篇论文： [CL] Sparse Reward Subsystem in Large Language Models [Tsinghua University & Stanford University] https://arxiv.org/abs/2602.00986 --- [CL] Closing the Loop: Universal Repository Representation with RPG-Encoder [Microsoft Research Asia] https://arxiv.org/abs/2602.02084 --- [RO] HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [The Hong Kong University of Science and Technology] https://arxiv.org/abs/2602.02473 --- [AI] First Proof [Stanford University & Columbia University & EPFL ] https://arxiv.org/abs/2602.05192 --- [LG] Rethinking the Trust Region in LLM Reinforcement Learning [Sea AI Lab & National University of Singapore] https://arxiv.org/abs/2602.04879