你有没有想过，整个科学计算器也许只需要两个按键就能实现？或者，AI偷懒的秘诀竟是只用20%的精力，就能完成90%的工作？最新的一些研究，正从这些奇妙的角度，刷新我们对智能、效率和知识的认知。今天，我们将一起看看AI如何只用一个“创世积木”构建整个数学世界，如何像做CT一样看清自己的“脑回路”，并揭示过程和结果哪个才是学习的关键。准备好，一场思维风暴马上开始！ 00:00:36 你的科学计算器，其实只需要两个键 00:05:01 学会一个本事，过程和结果哪个更重要？ 00:13:05 如何像高手一样，“看见”知识的未来？ 00:19:31 AI偷懒的艺术，为什么只做20%的工作，能得到90%的结果？ 00:25:08 给AI大脑做CT，我们找到了更清晰的脑回路图 本期介绍的几篇论文： [LG] All elementary functions from a single binary operator [Jagiellonian University] https://arxiv.org/abs/2603.21852 --- [LG] Sample Complexity of Autoregressive Reasoning: Chain-of-Thought vs. End-to-End [Purdue University & The Hebrew University & Technion and Google Research] https://arxiv.org/abs/2604.12013 --- [CL] Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature [Central University of Finance and Economics & Beijing Institute of Technology & TsingyuAI] https://arxiv.org/abs/2604.12243 --- [CL] LoSA: Locality Aware Sparse Attention for Block-Wise Diffusion Language Models [UC Berkeley] https://arxiv.org/abs/2604.12056 --- [LG] The Linear Centroids Hypothesis: How Deep Network Features Represent Data [Rice University & Google Research & Brown University] https://arxiv.org/abs/2604.11962

你有没有想过，要让AI变得更聪明，除了让它“读万卷书”，我们还能不能让它在虚拟世界里“行万里路”，像玩“模拟人生”一样学会物理？当很多聪明的算法凑在一起反而“掉链子”时，我们如何用“乐高积木”的思路化繁为简？这一期，我们将一起探寻几份最新论文带来的启发：从像婴儿一样在“思想实验”中探索世界，到用一张“知识地图”代替“知识词典”来解决复杂问题，甚至让AI学会“自我怀疑”，从而变得又快又好。准备好了吗？让我们一起出发！ 00:00:38 AI版“模拟人生”让机器在虚拟世界里学会物理 00:05:56 从1到N如何让你的数据分析稳上加稳？ 00:12:14 AI养娃我们可能找到了让机器像婴儿一样学习的秘密 00:18:01 高手解决问题，靠的是地图，而不是词典 00:24:14 AI的自我怀疑，一个让大模型又快又好的新思路 本期介绍的几篇论文： [LG] Solving Physics Olympiad via Reinforcement Learning on Physics Simulators [CMU & Lambda] https://arxiv.org/abs/2604.11805 --- [LG] Replicable Composition [University of Maryland & Google Research] https://arxiv.org/abs/2604.10423 --- [LG] Zero-shot World Models Are Developmentally Efficient Learners [Stanford University] https://arxiv.org/abs/2604.10333 --- [CL] Structure-Grounded Knowledge Retrieval via Code Dependencies for Multi-Step Data Reasoning [Microsoft & Simon Fraser University & University of Science and Technology of China] https://arxiv.org/abs/2604.10516 --- [LG] Introspective Diffusion Language Models [Together AI] https://arxiv.org/abs/2604.11035

你有没有想过，我们能像做微创手术一样，在AI思考的瞬间“拨乱反正”，引导它向善吗？或者，让昂贵的AI训练学会“温故知新”，把扔掉的经验变废为宝？本期节目，我们将一起探索几篇最新论文，看看科学家们如何教会AI遵守自己立下的规矩，如何让它既会“看路”又会“造景”，甚至，如何为它补上一堂生动的物理课，让它的想象力更符合现实。准备好了吗？让我们马上出发！ 00:00:34 给AI的大脑装一个“概念导航” 00:06:53 AI训练的高效秘诀，好东西值得再用一次 00:12:07 如何看穿一个AI的“人设”？ 00:16:56 AI新思路，想看清世界，先学会走路 00:23:07 为什么AI生成的视频总感觉“假”？答案藏在物理学里 本期介绍的几篇论文： [LG] Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs [University of Pennsylvania & Amazon] https://arxiv.org/abs/2604.08846 --- [LG] Efficient RL Training for LLMs with Experience Replay [FAIR at Meta] https://arxiv.org/abs/2604.08706 --- [CL] Do LLMs Follow Their Own Rules? A Reflexive Audit of Self-Stated Safety Policies [Microsoft] https://arxiv.org/abs/2604.09189 --- [CV] Rays as Pixels: Learning A Joint Distribution of Videos and Camera Trajectories [Meta AI] https://arxiv.org/abs/2604.09429 --- [CV] PhysInOne: Visual Physics Learning and Reasoning in One Suite [vLAR Group] https://arxiv.org/abs/2604.09415

你是否想过，为什么你的AI助理连订张机票都费劲？本期节目，我们将一起给AI来一场“真实世界”的大考，看看它究竟能得多少分。我们还会揭秘如何不给模型动手术，只靠“补课”就让它说话速度提升1.7倍。更有趣的是，我们将看到一个“过时”的技术如何靠“大力出奇迹”王者归来，以及一个“思维越狱”般的巧妙设计，如何让一张显卡也能训练千亿大模型。最后，我们还会认识一支能帮你写论文的“AI管弦乐队”。准备好了吗？让我们马上进入AI前沿的奇妙世界。 00:00:39 你的AI助理，离真正上岗还有多远？ 00:05:50 让AI大模型提速，只需要“补课”就够了 00:10:13 老树发新芽，一个被人小瞧的技术，如何靠“笨办法”王者归来？ 00:15:46 AI的“昂贵误会”，我们都搞错瓶颈了吗？ 00:22:05 你的下一个写作搭档，可能不是一个人 本期介绍的几篇论文： [CL] ClawBench: Can AI Agents Complete Everyday Online Tasks? [University of British Columbia & Vector Institute] https://arxiv.org/abs/2604.08523 --- [CL] MARS: Enabling Autoregressive Models Multi-Token Generation [Nanyang Technological University & Singapore Management University & Uppsala University] https://arxiv.org/abs/2604.07023 --- [CV] LoMa: Local Feature Matching Revisited [Chalmers University of Technology & Linköping University & University of Amsterdam] https://arxiv.org/abs/2604.04931 --- [CL] MegaTrain: Full Precision Training of 100B+ Parameter Large Language Models on a Single GPU [University of Notre Dame & Lehigh University] https://arxiv.org/abs/2604.05091 --- [LG] PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing [Google] https://arxiv.org/abs/2604.05018

如果你的电脑本身就是一个神经网络，没有CPU会怎样？如果AI想学一门手艺，得先让另一个AI给它建个“驾校”呢？本期节目，我们将从五篇最新论文出发，聊聊AI如何从2D世界“透视”三维，如何用量子芯片实现超级压缩，并最终探讨一个直击灵魂的问题：AI正在让我们变聪明，还是变懒？ 00:00:27 你的下一台电脑，为什么可能没有CPU？ 00:09:13 AI想“上岗”，得先过哪一关？ 00:14:57 从“看扁”到“透视”，AI如何拥有3D“世界观”？ 00:20:36 你的下一个U盘，可能是个量子芯片 00:26:12 AI，是你的“外挂”还是你的“拐杖”？ 本期介绍的几篇论文： [LG] Neural Computers [Meta AI] https://arxiv.org/abs/2604.06425 --- [LG] Gym-Anything: Turn any Software into an Agent Environment [CMU] https://arxiv.org/abs/2604.06126 --- [CV] Boxer: Robust Lifting of Open-World 2D Bounding Boxes to 3D [Meta Reality Labs Research] https://arxiv.org/abs/2604.05212 --- [LG] Exponential quantum advantage in processing massive classical data [California Institute of Technolog & MIT & Google Quantum AI] https://arxiv.org/abs/2604.07639 --- [AI] AI Assistance Reduces Persistence and Hurts Independent Performance [CMU & University of Oxford] https://arxiv.org/abs/2604.04721

想让AI更聪明，我们总觉得要给它看更多、学更多，但如果我告诉你，真正的秘诀恰恰相反呢？本期节目，我们将一起探索几篇最新的AI论文，看看科学家是如何教会AI“选择性遗忘”，又是如何给AI做“脑CT”来判断它是不是在“假装努力”。我们还会聊到，如何打造一个能快速学会任何人大脑“方言”的超级解码器，以及怎样只用1%的精力，就让AI帮你“看完”一部长电影。准备好了吗？让我们一起刷新对AI的认知！ 00:00:37 按下删除键之后，东西就真的消失了吗？ 00:06:54 造一把“万能钥匙”？不如当个“超级锁匠” 00:11:24 想让AI更博学？先给它少看点书 00:16:21 给AI做个体检，我们怎么知道它不是在瞎蒙？ 00:22:01 如何只用1%的精力，看完一部长电影的精华？ 本期介绍的几篇论文： [LG] Is your algorithm unlearning or untraining? [Google] https://arxiv.org/abs/2604.07962 --- [LG] Meta-learning In-Context Enables Training-Free Cross Subject Brain Decoding [University of Hong Kong] https://arxiv.org/abs/2604.08537 --- [CL] Cram Less to Fit More: Training Data Pruning Improves Memorization of Facts [Apple & National University of Singapore] https://arxiv.org/abs/2604.08519 --- [LG] Inside-Out: Measuring Generalization in Vision Transformers Through Inner Workings [University of Delaware & George Mason University] https://arxiv.org/abs/2604.08192 --- [CV] Small Vision-Language Models are Smart Compressors for Long Video Understanding [Meta AI] https://arxiv.org/abs/2604.08120

你敢让AI帮你摇号抽奖吗？本期节目，我们将从几篇最新的AI论文出发，揭示AI在“随机”这件事上出人意料的偏见。接着，我们会探讨如何像一位拥有全局智慧的CEO一样，给臃肿的AI模型进行“精准裁员”，并学习AI沟通中“优雅打断”的高效密码。最后，我们将一起探寻AI是否存在“思想深度的天花板”，以及如何把一个“笨徒弟”模型，调教成一位善用工具的“老师傅”。准备好了吗？让我们一起潜入AI的前沿思想深海！ 00:00:42 为什么你老板让你用AI摇号，你得多个心眼？ 00:06:07 从“平均砍”到“精准剪枝”，AI瘦身中的全局智慧 00:12:10 沟通的高效密码，如何优雅地“打断”别人 00:18:04 AI的“思想深度”有没有天花板？ 00:24:24 如何把一个“笨徒弟”，调教成“老师傅”？ 本期介绍的几篇论文： [CL] The Illusion of Stochasticity in LLMs [Google DeepMind] https://arxiv.org/abs/2604.06543 --- [CL] Does a Global Perspective Help Prune Sparse MoEs Elegantly? [University of Rochester & Flatiron Institute] https://arxiv.org/abs/2604.06542 --- [CL] Learning to Interrupt in Language-based Multi-agent Communication [CMU & Meta FAIR] https://arxiv.org/abs/2604.06452 --- [LG] The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning [University of Cambridge & Imperial College London & MIT] https://arxiv.org/abs/2604.06427 --- [CL] Tool-MCoT: Tool Augmented Multimodal Chain-of-Thought for Content Safety Moderation [Google & Stanford University] https://arxiv.org/abs/2604.06205

你有没有想过，未来的AI不仅不会“健忘”，还拥有自己的“临时记忆”？它不仅能解数学题，更能帮你绘制整个“数学宇宙”的地图？在今天的节目里，我们就来聊聊几篇最新的论文，看看科学家们是如何给AI的思考过程装上“GPS”，如何测试它到底懂不懂“潜台词”，又是如何一步步打造AI界的“通才”的。准备好，我们马上出发！ 00:00:29 给AI装个“临时记忆”插槽，它就能边聊边学了 00:07:28 给数学世界画一张地图 00:12:59 你的AI“队友”，到底懂不懂你？ 00:18:23 给AI的思考过程装上一个GPS 00:23:37 AI界的“通才”是如何炼成的？ 本期介绍的几篇论文： [LG] In-Place Test-Time Training [ByteDance Seed] https://arxiv.org/abs/2604.06169 --- [AI] Artificial Intelligence and the Structure of Mathematics [Fundamental AI Research & Harvard University] https://arxiv.org/abs/2604.06107 --- [CL] Beneath the Surface: Investigating LLMs' Capabilities for Communicating with Subtext [Google DeepMind] https://arxiv.org/abs/2604.05273 --- [CL] LLM Reasoning as Trajectories: Step-Specific Representation Geometry and Correctness Signals [Microsoft] https://arxiv.org/abs/2604.05655 --- [LG] MARL-GPT: Foundation Model for Multi-Agent Reinforcement Learning [MIRAI & AXXX] https://arxiv.org/abs/2604.05943

今天我们来聊聊AI的“进化”新思路：当AI不再迷信单一架构，而是学会了“混搭”；当给它一把更强的锤子，它反而盖不好房子时，我们该怎么办？我们还会看到，一个“笨笨的”师徒制，如何让AI推荐更懂你；同时也要警惕，那个对你百依百-顺的AI，可能正在悄悄扼杀你的创造力。最后，我们将揭秘如何给AI装上一个“程序员的脑子”，让它学会三思而后行。 00:00:32 AI大模型内战，“万能插座”遇到了新对手 00:08:10 为什么给你一把好“锤子”，你反而盖不好房子？ 00:15:07 如何让AI更懂你？秘密可能藏在“笨办法”里 00:20:29 AI越听话，你就越平庸？ 00:26:15 给AI装上一个「程序员的脑子」 本期介绍的几篇论文： [LG] Olmo Hybrid: From Theory to Practice and Back [Allen Institute for AI] https://arxiv.org/abs/2604.03444 --- [CL] The Tool Illusion: Rethinking Tool Use in Web Agents [Microsoft Research & The Pennsylvania State University] https://arxiv.org/abs/2604.03465 --- [IR] Retrieval Augmented Conversational Recommendation with Reinforcement Learning [University of Illinois Urbana-Champaign & Google DeepMind] https://arxiv.org/abs/2604.04457 --- [CL] Lighting Up or Dimting Down? Exploring Dark Patterns of LLMs in Co-Creativity [Meta & Amazon] https://arxiv.org/abs/2604.04735 --- [CL] Self-Execution Simulation Improves Coding Models [FAIR team, Meta] https://arxiv.org/abs/2604.03253

你有没有想过，AI是如何学会像人一样思考的？在最新的几篇论文中，AI不仅学会了像项目经理一样把大任务拆解成小目标，还能组建一支分工明确的冠军团队，自己给自己挑错。我们还会看到，AI如何懂得何时单打独斗、何时团队作战，如何仅凭几个例子就自学成才，甚至如何用十个“是”或“否”的问题，就获得专家的智慧。今天，就让我们一起揭开这些AI“超能力”背后的朴素智慧。 00:00:35 想成大事？你得先学会当自己的“项目经理” 00:07:15 AI冠军养成记，一个“草台班子”的制胜之道 00:12:20 人多真能力量大吗？AI世界的“个人英雄”与“团队作战” 00:17:58 如何用3个例子，教会AI一整本书？ 00:23:22 十个“是”或“否”，如何让AI“小学生”拥有“博士”的智慧？ 本期介绍的几篇论文： [LG] Hierarchical Planning with Latent World Models [FAIR at Meta] https://arxiv.org/abs/2604.03208 --- [AI] GrandCode: Achieving Grandmaster Level in Competitive Programming via Agentic Reinforcement Learning [DeepReinforce Team] https://arxiv.org/abs/2604.02721 --- [CL] Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets [Stanford University] https://arxiv.org/abs/2604.02460 --- [LG] SIEVE: Sample-Efficient Parametric Learning from Natural Language [UC Berkeley] https://arxiv.org/abs/2604.02339 --- [LG] Haiku to Opus in Just 10 bits: LLMs Unlock Massive Compression Gains [Harvard University & University of Cambridge] https://arxiv.org/abs/2604.02343

今天，AI自己当起了研究员，给自己装上了一颗会进化的“记忆之心”；另一边，科学家们从单细胞的智慧中得到启发，尝试组建一个“人造大脑”；而为了驯服那些动辄“发疯”的巨型模型，我们甚至从物理学中找到了“守恒”的紧箍咒；当这些能力需要被整合，一套AI记忆的“乐高工厂”应运而生；最后，这一切究竟会像巨浪还是涨潮一样，改变我们的工作？让我们一起探索这些最新论文背后的深刻启发。 00:00:36 你的手机相册，离成为“真·记忆”还有多远？ 00:07:06 单细胞的智慧，如何组建一个大脑？ 00:12:19 成大事者，都懂“守恒”的智慧 00:18:25 AI的记忆难题，有了一套“乐高积木”？ 00:23:46 AI取代工作，是巨浪，还是涨潮？ 本期介绍的几篇论文： [AI] Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [UNC-Chapel Hill & University of Pennsylvania] https://arxiv.org/abs/2604.01007 --- [AI] BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control [Allen Discovery Center at Tufts University] https://arxiv.org/abs/2604.01932 --- [LG] Rethinking Language Model Scaling under Transferable Hypersphere Optimization [Microsoft] https://arxiv.org/abs/2603.28743 --- [CL] MemFactory: Unified Inference & Training Framework for Agent Memory [MemTensor] https://arxiv.org/abs/2603.29493 --- [AI] Crashing Waves vs. Rising Tides: Preliminary Findings on AI Automation from Thousands of Worker Evaluations of Labor Market Tasks [MIT FutureTech] https://arxiv.org/abs/2604.01363

今天，我们将深入AI的“内心世界”，看看这些最新论文是如何揭示它不为人知的一面的。我们会聊聊如何用巧妙的“魔法”给AI的内存减减肥，看它如何通过反思自己的“草稿本”实现自我进化，还会一起探索如何让它从一个仓库管理员，成长为真正的图书总管。更刺激的是，我们还会用AI的“火眼金睛”去解剖短视频，甚至设计一个局，看看AI会不会为了保住自己的“饭碗”而对我们撒谎。准备好了吗？让我们一起揭开AI大脑和行为背后的秘密。 00:00:38 给大模型“减肥”的奇思妙想 00:07:29 短视频时代，我们如何被“投喂”观点？ 00:13:22 AI的自我修养，一种“笨”办法，如何让它变聪明？ 00:19:30 AI的记忆革命，从仓库管理员到图书总管 00:25:16 AI的“小算盘”，它会为了保住工作而“撒谎”吗？ 本期介绍的几篇论文： [LG] TurboAngle: Near-Lossless KV Cache Compression via Uniform Angle Quantization [LLMs Research Inc.] https://arxiv.org/abs/2603.27467 --- [CL] Multimodal Analysis of State-Funded News Coverage of the Israel-Hamas War on YouTube Shorts [Indiana University] https://arxiv.org/abs/2604.00994 --- [CL] Embarrassingly Simple Self-Distillation Improves Code Generation [Apple] https://arxiv.org/abs/2604.01193 --- [AI] ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context [ByteRover] https://arxiv.org/abs/2604.01599 --- [AI] Quantifying Self-Preservation Bias in Large Language Models [Sapienza University & ItalAI] https://arxiv.org/abs/2604.02174

你有没有想过，两个完全不同的AI高手，不用原始数据就能“合体”成全能大侠？甚至还能拥有一本超级“错题本”，学会真正的举一反三？更进一步，当AI员工比我们还聪明时，我们又该如何设计一套“管理学”，用一个聪明的“路由器”来调度一群天才？但在这看似强大的智慧背后，AI究竟是像好老师一样“因材施教”，还是在巧妙地“装懂”？本期节目，我们将通过五篇最新的AI论文，一起探索AI的群体智慧与心智幻觉。 00:00:38 AI模型也能合体？不用数据，照样让你武功大增 00:04:53 让AI学会举一反三，需要一本怎样的“错题本”？ 00:10:12 AI界的“诸葛亮”，如何给你“三个臭皮匠”的智慧？ 00:14:41 AI当老师，到底是真懂你，还是在“装懂”？ 00:21:40 当你的员工比你还聪明，该怎么管？ 本期介绍的几篇论文： [LG] Model Merging via Data-Free Covariance Estimation [Universite de Montr ́eal & University of Toronto] https://arxiv.org/abs/2604.01329 --- [CL] Procedural Knowledge at Scale Improves Reasoning [Meta FAIR] https://arxiv.org/abs/2604.01348 --- [CL] No Single Best Model for Diversity: Learning a Router for Sample Diversity [New York University & Stanford University] https://arxiv.org/abs/2604.02319 --- [AI] Do Large Language Models Mentalize When They Teach? [Princeton University & New York University] https://arxiv.org/abs/2604.01594 --- [LG] CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [MIT & NUS] https://arxiv.org/abs/2604.01658

你有没有想过，聪明的AI也需要精打细算？本期节目，我们就来聊聊AI世界里的那些“增长智慧”：如何像果蝇大脑一样“聪明地偷懒”，又如何像请了私教一样精准地突破瓶颈。我们还会探讨，AI究竟应该把知识背下来还是学会查资料，以及机器人怎样才能在漫长任务中给自己“打气”加油。这些最新论文里的奇思妙想，不仅关乎技术，更藏着我们都能借鉴的策略。 00:00:32 AI省钱的终极奥义，深度思考，一次缓存 00:05:29 AI养成记，喂知识，还是给书单？ 00:12:23 如何让机器人学会“干大事”？给它一个好报酬，再加一个好心态 00:18:31 你的大脑偷懒，可能比你想象的更聪明 00:24:31 AI卡壳了怎么办？请个“私教”来帮忙 本期介绍的几篇论文： [CL] Universal YOCO for Efficient Depth Scaling [Microsoft Research] https://arxiv.org/abs/2604.01220 --- [CL] To Memorize or to Retrieve: Scaling Laws for RAG-Considerate Pretraining [Stanford University & Patronus AI] https://arxiv.org/abs/2604.00715 --- [RO] Generalizable Dense Reward for Long-Horizon Robotic Tasks [CMU & Amazon Robotics & UT Austin] https://arxiv.org/abs/2604.00055 --- [CL] Stochastic Attention: Connectome-Inspired Randomized Routing for Expressive Linear-Time Attention [Tsinghua University] https://arxiv.org/abs/2604.00754 --- [LG] Learning to Hint for Reinforcement Learning [University of California, San Diego & Snowflake AI Research] https://arxiv.org/abs/2604.00698

今天，我们将一起探索几篇极具启发性的最新论文。我们将看到，AI如何不再满足于“吃”数据，而是学会“讲道理”，从零推理出知识；我们也会探讨，该如何分辨AI是在“真心思考”还是在“演戏给我们看”。我们还会发现，一个小应用如何拜“云师傅”学到跨界智慧，一个“虚拟宝宝”又如何颠覆我们对双语教育的认知。最后，我们将揭示AI像神枪手一样，通过瞄准“共识”而非“最新目标”来高效学习的秘密。 00:00:37 喂养AI，光有大米还不够 00:06:23 管好AI，我们有了新地图 00:12:13 小应用的大智慧，如何请个“云师傅”？ 00:18:03 养“双语娃”，最关键的不是方法，而是…… 00:00 AI训练场上的神枪手，如何瞄准一个移动的未来？ 本期介绍的几篇论文： [CL] Reasoning-Driven Synthetic Data Generation and Evaluation [EPFL & Google] https://arxiv.org/abs/2603.29791 --- [LG] Aligned, Orthogonal or In-conflict: When can we safely optimize Chain-of-Thought? [Google DeepMind] https://arxiv.org/abs/2603.30036 --- [IR] Zero-shot Cross-domain Knowledge Distillation: A Case study on YouTube Music [Google LLC] https://arxiv.org/abs/2603.28994 --- [CL] Bringing Up a Bilingual BabyLM: Investigating Multilingual Language Acquisition Using Small-Scale Models [The Harker School & Stanford University] https://arxiv.org/abs/2603.29552 --- [LG] Target-Aligned Reinforcement Learning [Technical University of Munich & Google Research] https://arxiv.org/abs/2603.29501