今天我们不只关心AI有多强，而是要探索一些更深刻的问题。我们会看到，最适合汽车的AI，恰恰不是那个最强的“云端大脑”；我们会拿到一个“测谎仪”，去分辨AI何时在“一本正经地胡说八道”。接着，我们会用一张最残酷的考卷，揭示AI在“知识搬运”和“智慧创造”之间的巨大鸿沟。更进一步，我们将探讨一个令人深思的可能：我们感受到的社会撕裂，竟可能是一种被AI精心设计的产物。最后，我们再看看如何请一位“上帝视角”的教练，训练出能主动探索世界的机器人。 00:00:42 造车启示录：为什么最强的AI，不是最好的AI？ 00:06:14 AI的“一本正经胡说八道”，我们终于有办法治它了 00:11:30 AI：一个既能干又“无能”的实习生 00:16:44 撕裂的社会，可能是一种“精心设计” 00:23:10 机器人学习新范式：带个“上帝视角”的教练 本期介绍的几篇论文： [CL] AutoNeural: Co-Designing Vision-Language Models for NPU Inference [Nexa AI & Geely Auto] https://arxiv.org/abs/2512.02924 --- [LG] Detecting AI Hallucinations in Finance: An Information-Theoretic Method Cuts Hallucination Rate by 92% [The Catholic University of America] https://arxiv.org/abs/2512.03107 --- [CL] CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [Princeton University] https://arxiv.org/abs/2512.00417 --- [AI] Polarization by Design: How Elites Could Shape Mass Preferences as AI Reduces Persuasion Costs [University of Chicago] https://arxiv.org/abs/2512.04047 --- [RO] Real-World Reinforcement Learning of Active Perception Behaviors [University of Pennsylvania] https://arxiv.org/abs/2512.01188

我们总希望AI不只是个聪明的工具，更像个能沟通、能反思、甚至能自我进化的伙伴。本期节目，我们就从几篇最新论文出发，看看科学家们是如何脑洞大开地教AI“忏悔”错误、在虚拟世界里“动手”实践、像团队一样“合成”智慧，甚至上演一出匪夷所思的“灵魂互换”大戏。准备好了吗？让我们一起探索，如何把AI从一个“黑箱”变成一个我们可以理解和塑造的智能体。 00:00:33 让AI“忏悔”，我们能得到什么？ 00:05:49 当AI不再只是个“书呆子” 00:11:06 AI自己不行的事，怎么让一群AI办成？ 00:16:56 AI的“复盘”教练：如何用人话把它教聪明 00:22:11 AI变形记：为什么你训练的和最后用的，不必是同一个模型？ 本期介绍的几篇论文： [CL] Training LLMs for Honesty via Confessions [OpenAI] https://cdn.openai.com/pdf/6216f8bc-187b-4bbb-8932-ba7c40c5553d/confessions_paper.pdf --- [AI] SIMA 2: A Generalist Embodied Agent for Virtual Worlds [Google DeepMind] https://arxiv.org/abs/2512.04797 --- [AI] Algorithmic Thinking Theory [Google & NYU] https://arxiv.org/abs/2512.04923 --- [LG] Natural Language Actor-Critic: Scalable Off-Policy Learning in Language Space [UC Berkeley & ByteDance Seed] https://arxiv.org/abs/2512.04601 --- [LG] Network of Theseus (like the ship) [MIT CSAIL & Johns Hopkins University] https://arxiv.org/abs/2512.04198

你有没有想过，AI不仅在学习知识，也在学习如何学习、如何忘记，甚至如何拥有自己独特的“笔迹”？本期节目，我们将看到一个“阅表无数”的AI如何秒解难题，并揭开神经网络训练中那如同“强迫症”般的神秘秩序是如何形成的。我们还会探索一个反常识的发现：为什么让AI学到“顿悟”，反而能让它忘得更快更准？以及AI如何学会“断舍离”，主动过滤记忆来提升自己。最后，我们聊聊如何给开源模型刻上无法抹去的“隐形签名”。准备好了吗？让我们一起潜入AI思想的深水区。 00:00:42 你的表格数据，需要一个“见过世面”的AI 00:05:56 AI训练中的神秘秩序：一把解开“神经网络坍塌”之谜的钥匙 00:11:18 想让机器忘得快，先得让它学到“呆”？ 00:16:17 AI的“断舍离”：为什么聪明人要学会忘记？ 00:21:49 AI的“隐形墨水”：如何给开源模型刻上无法抹去的签名？ 本期介绍的几篇论文： [LG] Accurate predictions on small data with a tabular foundation model [University of Freiburg] https://www.nature.com/articles/s41586-024-08328-6.pdf --- [LG] Diagonalizing the Softmax: Hadamard Initialization for Tractable Cross-Entropy Dynamics [University of Oxford & University of British Columbia] https://arxiv.org/abs/2512.04006 --- [LG] Grokked Models are Better Unlearners [Cardiff University] https://arxiv.org/abs/2512.03437 --- [LG] Cache What Lasts: Token Retention for Memory-Bounded KV Cache in LLMs [JPMorganChase AI Research & Yale University] https://arxiv.org/abs/2512.03324 --- [LG] MarkTune: Improving the Quality-Detectability Trade-off in Open-Weight LLM Watermarking [University of Pennsylvania & CMU & Columbia University] https://arxiv.org/abs/2512.04044

今天我们不聊模型又变大了多少，而是聊几个让AI变得更聪明、更高效的“巧思”。我们会看到，AI如何用“笨办法”打破人类专家的优化极限，又为什么一本精心准备的“错题本”却教不会它自我反思。接着，我们会探索如何用“名师点拨”和“随身小抄”让AI低成本地自我进化。最后，看看如何让AI裁判学会投出更“聪明”的一票，而不仅仅是少数服从多数。准备好了吗？让我们一起看看，这些最新论文是如何用“四两拨千斤”的智慧，刷新我们对人工智能的认知。 00:00:40 人工智能时代，还有“最优解”这回事吗？ 00:05:11 给AI上“错题本”，它就能学聪明吗？ 00:09:37 AI自学的终极秘诀：不是“题海战术”，而是“名师点拨” 00:13:43 AI太贵用不起？这里有个“随身小抄”的省钱妙计 00:20:13 AI当裁判，如何投出更聪明的一票？ 本期介绍的几篇论文： [LG] CUDA-L2: Surpassing cuBLAS Performance for Matrix Multiplication through Reinforcement Learning [DeepReinforce Team] https://arxiv.org/abs/2512.02551 --- [LG] Synthetic Error Injection Fails to Elicit Self-Correction In Language Models [UC Berkeley] https://arxiv.org/abs/2512.02389 --- [LG] Guided Self-Evolving LLMs with Minimal Human Supervision [Tencent AI Lab in Seattle & Washington University in St. Louis] https://arxiv.org/abs/2512.02472 --- [LG] In-Context Distillation with Self-Consistency Cascades: A Simple, Training-Free Way to Reduce LLM Agent Costs [Stanford University & Reve] https://arxiv.org/abs/2512.02543 --- [LG] Distribution-Calibrated Inference time compute for Thinking LLM-as-a-Judge [Google & Google DeepMind] https://arxiv.org/abs/2512.03019

当AI变得越来越强大，我们还能从哪些地方挖掘它的潜力呢？本期我们聚焦几篇思路极其巧妙的最新论文，它们不约而同地告诉我们：真正的飞跃，不一定来自更大的模型，而来自更聪明的工作方式。我们将一起探讨，AI如何学会为自己省下90%的训练开销，如何免费装上“直觉”来审时度势，又是如何通过“抓重点”实现一目十行。更重要的是，我们将看到科学家们如何努力为整个AI行业的发展，打造一把统一的“度量衡”。 00:00:38 AI调参省钱术：从“大力出奇迹”到“聪明省力气” 00:07:44 AI绘画，如何从“慢跑”变“冲刺”？ 00:13:11 给AI发展装上一个统一的度量衡 00:19:25 如何免费给AI装上“直觉”？ 00:24:56 AI“一目十行”的秘密：不靠算力，靠“会抓重点” 本期介绍的几篇论文： [LG] Efficient Hyperparameter Search for Non-Stationary Model Training [Google DeepMind & Google Research] https://arxiv.org/abs/2512.01258 --- [CV] Improved Mean Flows: On the Challenges of Fastforward Generative Models [CMU & THU & Adobe] https://arxiv.org/abs/2512.02012 --- [AI] A Rosetta Stone for AI Benchmarks [Google DeepMind] https://arxiv.org/abs/2512.00193 --- [LG] ZIP-RC: Zero-overhead Inference-time Prediction of Reward and Cost for Adaptive and Interpretable Generation [UC Berkeley & MIT] https://arxiv.org/abs/2512.01457 --- [LG] Accelerating Large-Scale Reasoning Model Inference with Sparse Self-Speculative Decoding [UC Berkeley & MIT & University of Washington] https://arxiv.org/abs/2512.01278

你有没有想过，聪明的AI不只靠堆算力，更要靠高质量的思考方式？本期我们要聊的几篇最新论文，就为我们揭示了AI正在经历一场深刻的“认知升级”。我们将看到，AI如何像一个身处江湖的开源模型，用聪明的策略追赶顶尖高手；又如何进行哲学层面的“自我觉醒”，把自己看作世界的一部分来做出更优决策。我们还会探讨，AI怎样像武林高手一样边解决难题边“涨功夫”，甚至学会给自己的思维“断舍离”，用最少的步骤直达问题核心。准备好，我们马上进入AI的思考进化之旅。 00:00:41 AI江湖：开源大模型如何追赶“独孤求败”？ 00:06:34 AI的心智革命：当我成为世界的一部分 00:12:38 AI如何像高手一样，边解题边涨功夫？ 00:18:14 AI思考，也需要“断舍离” 00:22:58 如何让你的AI助手，思考速度提升三倍？ 本期介绍的几篇论文： [LG] DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models [DeepSeek-AI] https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2/resolve/master/assets/paper.pdf --- [LG] Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning [Google] https://arxiv.org/abs/2511.22226 --- [LG] ThetaEvolve: Test-time Learning on Open Problems [Microsoft & University of Washington] https://arxiv.org/abs/2511.23473 --- [LG] ORION: Teaching Language Models to Reason Efficiently in the Language of Thought [Harvard University & Hippocratic AI & MIT] https://arxiv.org/abs/2511.22891 --- [CL] Focused Chain-of-Thought: Efficient LLM Reasoning via Structured Input Information [FAR.AI & German Research Center for Artificial Intelligence (DFKI) & University of Kassel] https://arxiv.org/abs/2511.22176

如果AI团队开会只用“眼神”交流，会发生什么？本期节目，我们就来探索AI世界的奇妙新思路。我们将看到，驯服AI的秘诀，可能只是把一个“开关”换成“旋钮”，而让模型更聪明，也许只需给它一条“虚拟”的超宽车道。我们还会发现，机器人正从“打工仔”变身“修炼者”，而最顶尖的AI，甚至正在为它的同伴搭建一个“元宇宙”操场来练兵。让我们一起深入这些最新论文，看看智能的未来是如何被巧妙构想的。 00:00:37 AI开会，从此只用“眼神”交流 00:04:46 驯服AI：开关与旋钮的差别 00:09:21 AI大模型的新玩法：不花大钱，也能办大事 00:13:48 机器人不是在打工，是在“修炼” 00:18:41 AI练兵新思路：没有操场，咱就造个“元宇宙”操场 本期介绍的几篇论文： [CL] Latent Collaboration in Multi-Agent Systems [Princeton University & University of Illinois Urbana-Champaign] https://arxiv.org/abs/2511.20639 --- [LG] Soft Adaptive Policy Optimization [Qwen Team, Alibaba Inc.] https://arxiv.org/abs/2511.20347 --- [LG] Virtual Width Networks [ByteDance Seed] https://arxiv.org/abs/2511.11238 --- [RO] Robot-Powered Data Flywheels: Deploying Robots in the Wild for Continual Data Collection and Foundation Model Adaptation [Stanford University] https://arxiv.org/abs/2511.19647 --- [LG] Simulating Environments with Reasoning Models for Agent Training [University of Washington & Microsoft & CMU] https://arxiv.org/abs/2511.01824

你有没有想过，AI的“开窍”瞬间，背后藏着什么样的秘密？这一期，我们将一口气解锁五篇最新论文，探讨AI智能的进化法则。我们会发现，为什么让AI的大脑长得“更高”而不是“更胖”，能让它学会体操一样的神操作；为什么“学得快”的AI画家比“学得久”的更有创造力；以及AI是如何通过自我复盘和深度研究，从一个模仿者，成长为能打通复杂游戏的通才。 00:00:33 人工智能的成长秘密：与其更胖，不如更高 00:04:46 AI画画，为什么“学得快”的比“学得久”的更聪明？ 00:09:32 不止是模仿：机器人如何学会自我迭代 00:14:42 AI上岗：我们是怎么教会它打通一款游戏的？ 00:20:44 你的大脑不是硬盘，而是搜索引擎 本期介绍的几篇论文： [LG] 1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities [Princeton University] https://openreview.net/forum?id=s0JVsx3bx1 --- [LG] Why Diffusion Models Don't Memorize: The Role of Implicit Dynamical Regularization in Training [Université PSL] https://arxiv.org/abs/2505.17638 --- [LG] π∗0.6: a VLA That Learns From Experience [Physical Intelligence] https://arxiv.org/abs/2511.14759 --- [AI] Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds [ByteDance Seed] https://arxiv.org/abs/2511.08892 --- [CL] General Agentic Memory Via Deep Research [Beijing Academy of Artificial Intelligence] https://arxiv.org/abs/2511.18423

今天我们要探讨一个很有意思的问题：聪明的AI和“真正理解”的AI，中间到底隔着什么？本期节目，我们将通过几篇最新论文，一探究竟。我们会看到，AI如何从只会“猜答案”的学生，蜕变为懂得自我批判的“思考者”；也会发现，我们大脑理解语言的秘密，可能在于一个高效的“跨部门协作网络”。接着，我们会揭示AI如何通过巧妙的“团队分工”，同时实现速度与性能的飞跃；最后，我们将探讨一门被忽视的“老手艺”和一种让AI“一句话一句话思考”的新模式，它们或许是让AI真正懂你的关键。准备好了吗？让我们一起开启这场关于AI思考方式的深度探索之旅！ 00:00:47 从“猜对答案”到“讲清道理”：AI的一次认知飞跃 00:07:09 语言的“深加工”：你的大脑里藏着一个协作网络 00:12:14 既要马儿跑，又要马儿不吃草？AI世界里有个新答案 00:17:27 为什么你的AI总是不懂你？秘密藏在一门20年的老手艺里 00:23:32 大模型“一句话一句话”地思考，可能吗？ 本期介绍的几篇论文： [LG] DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning [DeepSeek-AI] https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/DeepSeekMath_V2.pdf --- [CL] What does it mean to understand language? [Harvard University & Georgia Institute of Technology & MIT] https://arxiv.org/abs/2511.19757 --- [CL] Kimi Linear: An Expressive, Efficient Attention Architecture [Kimi Team] https://arxiv.org/abs/2510.26692 --- [CL] Context Engineering 2.0: The Context of Context Engineering [SJTU & SII] https://arxiv.org/abs/2510.26493 --- [CL] Continuous Autoregressive Language Models [WeChat AI, Tencent Inc] https://arxiv.org/abs/2510.27688

今天我们来聊聊AI如何学会“精打细算”：它既能像乐团指挥一样，用小模型撬动大任务，也能像个老练的棋手，知道什么时候该点到为止，不再过度思考。我们还会揭开AI成功的两个秘密：一个藏在摄像头无形的运动轨迹里，另一个则深植于它追求“极简”的算法内核。最后，我们会重新审视AI过去十年的万倍效率飞跃，看看这惊人的步究竟是来自无数小改进，还是几次决定性的“工业革命”。准备好了吗？让我们一起探索这些最新论文中反常识的迷人洞见。 00:00:40 聪明人的新思路：如何用小模型办成大事 00:05:26 不用看画面，如何“猜”出视频里发生了什么？ 00:09:54 AI万倍效率提升，原来只靠两件事？ 00:16:47 为什么AI这么神？一篇论文揭示了它的极简主义内核 00:22:34 AI学会了“点到为止”，这事儿为啥重要？

我们都知道AI越来越强大，但你有没有想过，我们该如何让它跑得更快、更稳，甚至更“多才多艺”？本期节目，我们将一起探索几篇最新论文，看看科学家们是如何给AI的训练过程装上一个更稳健的导航系统，并揭开AI绘画高手背后“民间偏方”的科学原理。我们还会聊到，如何像培养一个“通才”一样，让一个AI同时学会两百件事。最后，我们将见证两种神奇的“魔法”：如何在没有数据的情况下给大模型高效“瘦身”，以及如何对一个黑箱模型进行精准的“微创手术”。 00:00:41 如何给AI装上一个更聪明的“导航系统” 00:05:19 AI绘画高手，背后藏着什么训练秘诀？ 00:11:06 AI通才养成记：如何让一个机器学会200件事？ 00:17:12 AI模型“瘦身”，如何做到无米之炊？ 00:25:14 给AI模型做微创手术，需要几步？ 本期介绍的几篇论文： [LG] ROOT: Robust Orthogonalized Optimizer for Neural Network Training [Huawei Noah’s Ark Lab] https://arxiv.org/abs/2511.20626 --- [LG] Demystifying Diffusion Objectives: Reweighted Losses are Better Variational Bounds [Google DeepMind] https://arxiv.org/abs/2511.19664 --- [LG] Learning Massively Multitask World Models for Continuous Control [University of California San Diego] https://arxiv.org/abs/2511.19584 --- [LG] CafeQ: Calibration-free Quantization via Learned Transformations and Adaptive Rounding [Google] https://arxiv.org/abs/2511.19705 --- [LG] ModHiFi: Identifying High Fidelity predictive components for Model Modification [CSA, IISc & HP Inc. AI Lab & Google] https://arxiv.org/abs/2511.19566

AI的学习和思考方式正在发生一场静悄悄的革命。这一期的最新论文，将带我们深入AI的“思维”深处：从和AI陪练一起进化的动态标准，到扔掉秘籍、只学“心法”的速成功夫；从让AI睁开“心眼儿”看懂空间，到将你的指令变成它的“临时大脑”；最后，我们还会看看如何治好AI写作的“耿直病”，让它变得更聪明、更高效。准备好了吗？让我们一起探索AI如何变得更像我们。 00:00:36 让AI成为一个既聪明又靠谱的研究助理 00:05:51 想学绝世武功，非得有本秘籍吗？ 00:10:25 让AI睁开‘心眼儿’看世界 00:14:33 你的指令，如何成为AI的临时大脑？ 00:19:45 AI写稿太慢？也许是它太“耿直”了 本期介绍的几篇论文： [CL] DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research [University of Washington & Allen Institute for AI & MIT] https://arxiv.org/abs/2511.19399 --- [LG] Flow Map Distillation Without Data [MIT & NYU] https://arxiv.org/abs/2511.19428 --- [CV] Chain-of-Visual-Thought: Teaching VLMs to See and Think Better with Continuous Visual Tokens [UC Berkeley & UCLA] https://arxiv.org/abs/2511.19418 --- [LG] Equivalence of Context and Parameter Updates in Modern Transformer Blocks [Google Research] https://arxiv.org/abs/2511.17864 --- [LG] CDLM: Consistency Diffusion Language Models For Faster Sampling [Seoul National University & UC Berkeley] https://arxiv.org/abs/2511.19269

今天我们要聊的，不是AI模型又变大了多少，而是它们如何从内部变得更“聪明”。我们将看到，最新的论文如何教会AI从“指哪打哪”的工具，进化为能“懂你意思”的助手；又如何让强大的AI科学家学会“混圈子”，融入人类的协作生态。我们还会探讨，AI如何拥有“预算意识”，像个聪明的管家一样精打细算；以及当AI变小时，为什么最先退化的竟然是“眼力”而不是“脑力”。最后，我们还会揭秘AI“高考”中的乌龙事件，看看科学家们如何给AI的“评分尺”纠偏，这一切都指向了AI发展的新方向。 00:00:42 让电脑学会“指哪打哪”之后，我们如何教它“看懂”？ 00:06:05 AI也能当科学家？关键要先学会“混圈子” 00:11:20 聪明的AI，是如何学会“省钱”的？ 00:16:17 AI的“高考”，谁来检查试卷的错别字？ 00:21:14 AI变笨的秘密：为什么“眼力”比“脑力”更脆弱？ 本期介绍的几篇论文： [CV] SAM 3: Segment Anything with Concepts [Meta Superintelligence Labs] https://arxiv.org/abs/2511.16719 --- [AI] OmniScientist: Toward a Co-evolving Ecosystem of Human and AI Scientists [Tsinghua University] https://arxiv.org/abs/2511.16931 --- [LG] Budget-Aware Tool-Use Enables Effective Agent Scaling [Google Cloud AI Research & Google DeepMind & UC Santa Barbara] https://arxiv.org/abs/2511.17006 --- [LG] Fantastic Bugs and Where to Find Them in AI Benchmarks [Stanford University] https://arxiv.org/abs/2511.16842 --- [CV] Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models [Stanford University] https://arxiv.org/abs/2511.17487

今天，我们不聊AI有多神奇，而是要给它来一次全面的“体检”，看看它那道看不见的“玻璃天花板”究竟在哪。接着，我们会颠覆你对AI训练的认知，看看它除了“上课”，如何像生物一样“演化”，以及它强大的推理能力背后，是否藏着一套需要我们帮它解锁的“思维地图”。最后，我们会发现，无论是教它解奥赛难题，还是教它做家务，最聪明的办法，可能都藏在我们自己的学习和生活经验里。准备好，让我们一起揭开AI光环背后的真实运作逻辑！ 00:00:38 AI的玻璃天花板：为什么模型越大，犯的错越“自信”？ 00:08:26 训练AI，除了“上课”还能“生娃”？ 00:14:31 AI的“聪明”难题：为什么它能解奥数，却像个没头苍蝇？ 00:21:39 AI的“题海战术”，跟我们有啥不一样？ 00:27:36 一副眼镜，如何成为灵巧机器人的“私教”？ 本期介绍的几篇论文： [LG] On the Fundamental Limits of LLMs at Scale [Stanford University & The University of Oklahoma] https://arxiv.org/abs/2511.12869 --- [LG] Evolution Strategies at the Hyperscale [FLAIR - University of Oxford & WhiRL - University of Oxford] https://arxiv.org/abs/2511.16652 --- [LG] Cognitive Foundations for Reasoning and Their Manifestation in LLMs [University of Illinois Urbana-Champaign & University of Washington & Princeton University] https://arxiv.org/abs/2511.16660 --- [LG] P1: Mastering Physics Olympiads with Reinforcement Learning [Shanghai AI Laboratory] https://arxiv.org/abs/2511.13612 --- [RO] Dexterity from Smart Lenses: Multi-Fingered Robot Manipulation with In-the-Wild Human Demonstrations [New York University & Meta] https://arxiv.org/abs/2511.16661

我们总惊叹AI越来越聪明，但你有没有想过，它为什么也越来越会“一本正经地胡说八道”？我们又该如何教会它回归事物的本质，甚至理解整个物理世界的运行规律？而当一个AI变得如此强大时，为什么一句简单的诗，就能轻易攻破它的安全防线？今天，我们就从几篇最新论文出发，一起聊聊AI光环之下的真实面貌。 00:00:29 AI：一个既聪明又靠不住的“好学生” 00:05:23 AI画画：为什么“猜噪音”不如“看本质”？ 00:10:13 为什么聪明的AI也爱“一本正经地胡说八道”？ 00:14:35 AI当学霸：如何用一个模型，通晓万物运行之道 00:19:54 为什么AI大模型，偏偏就怕“文化人”？ 本期介绍的几篇论文： [LG] Structural Inducements for Hallucination in Large Language Models [University of Maryland] https://www.researchgate.net/publication/397779918_Structural_Inducements_for_Hallucination_in_Large_Language_Models_An_Output-Only_Case_Study_and_the_Discovery_of_the_False-Correction_Loop_An_Output-Only_Case_Study_from_Extended_Human-AI_Dialogue_Str --- [CV] Back to Basics: Let Denoising Generative Models Denoise [MIT] https://arxiv.org/abs/2511.13720 --- [CL] AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models [Artificial Analysis] https://arxiv.org/abs/2511.13029 --- [LG] Walrus: A Cross-Domain Foundation Model for Continuum Dynamics [Flatiron Institute & University of Cambridge] https://arxiv.org/abs/2511.15684 --- [CL] Adversarial Poetry as a Universal Single-Turn Jailbreak Mechanism in Large Language Models [DEXAI – Icaro Lab] https://arxiv.org/abs/2511.15304