你有没有想过，AI变聪明，除了靠“大力出奇迹”的蛮力，还能不能靠“四两拨千斤”的巧劲？本期节目，我们将一起探寻几篇最新论文带来的奇妙思路：看AI如何用更精巧的大脑结构深度思考，如何拥有一把防止跑偏的多维度“罗盘”，又如何像我们一样分身“脑暴”探索多种可能。我们甚至会看到，AI如何学会“过日子”，成为一个既懂创作又懂节约的默契搭档，这一切，都要从一块小小的玻璃说起。 00:00:37 AI新物种，有一种聪明，不是靠“蛮力” 00:06:37 AI对齐的“罗盘”，如何让模型不跑偏？ 00:12:44 不想只走一条路？AI的“概率性思考”新玩法 00:17:59 鱼和熊掌，计算机如何看清一块玻璃？ 00:22:33 你的音乐搭档，不止会创作，更会“过日子” 本期介绍的几篇论文： [CL] HRM-Text: Efficient Pretraining Beyond Scaling [Sapient Intelligence & MIT] https://arxiv.org/abs/2605.20613 --- [LG] General Preference Reinforcement Learning [Stanford University & The University of Oklahoma] https://arxiv.org/abs/2605.18721 --- [AI] Generative Recursive Reasoning [KAIST] https://arxiv.org/abs/2605.19376 --- [CV] RT-Splatting: Joint Reflection-Transmission Modeling with Gaussian Splatting [Peking University] https://arxiv.org/abs/2605.18263 --- [AS] Stable Audio 3 [Stability AI] https://arxiv.org/abs/2605.17991

你有没有想过，一个更聪明的AI，也许并不需要更大的体量，而是需要更精巧的设计？本期节目，我们将从五篇最新论文出发，揭示AI智慧的内部运作：看AI如何为自己的记忆装上独立的“铅笔和橡皮”；又是如何像系着安全绳的“醉汉”一样，去挑战顶尖的数学难题。我们还会探讨AI如何拥有一个“大脑CEO”来决定何时“烧脑”，以及在一场模型间的“偷师”攻防战中，如何才能守住核心秘籍。最后，你会发现，原来喂给AI的第一张“地图”，就早已决定了它能看多远。 00:00:42 AI的记忆难题，一支笔和一个橡皮擦 00:06:17 AI当助教，数学家离“下岗”还有多远？ 00:11:55 你的大脑，如何决定何时“烧脑”？ 00:16:46 聪明人是如何“偷”老师的武功秘籍的？ 00:23:15 喂给AI的“地图”，决定了它能看多远 本期介绍的几篇论文： [LG] Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention [NVIDIA] https://arxiv.org/abs/2605.22791 --- [AI] Advancing Mathematics Research with AI-Driven Formal Proof Search [Google DeepMind] https://arxiv.org/abs/2605.22763 --- [CL] Efficient Agentic Reasoning Through Self-Regulated Simulative Planning [Institute of Foundation Models (IFM) & CMU] https://arxiv.org/abs/2605.22138 --- [LG] The Distillation Game: Adaptive Attacks & Efficient Defenses [Stanford University & Toyota Technological Institute at Chicago] https://arxiv.org/abs/2605.22737 --- [LG] Lost in Tokenization: Fundamental Trade-offs in Graph Tokenization for Transformers [Meta AI & New York University & Harvard University] https://arxiv.org/abs/2605.22471

你有没有想过，一个AI不仅能成为科学家的“超级大脑”，还能像人一样“反思”自己学得好不好？本期节目，我们将从五篇最新的AI论文出发，揭秘AI如何通过“人机协作”加速科学发现，却又可能因为追求“差不多”而酿成大错；同时我们也会探讨，为何你请的AI“演员”可能演着演着就换了人，以及我们最终如何才能让AI调配出一碗最懂你的“光谱靓汤”。 00:00:33 给牛顿一个AI，科学会快多少？ 00:07:11 AI训练场上的“反思怪”，一条更聪明的成长路径 00:12:36 AI的“差不多”，为什么会酿成大错？ 00:18:28 为什么你请的AI“演员”，可能演着演着就换人了？ 00:25:25 想让AI懂你？试试给它煲一锅“光谱靓汤” 本期介绍的几篇论文： [AI] A multi-agent system for automating scientific discovery [FutureHouse] https://www.nature.com/articles/s41586-026-10652-y --- [LG] Introspective X Training: Feedback Conditioning Improves Scaling Across all LLM Training Stages [NVIDIA] https://arxiv.org/abs/2605.20285 --- [LG] Mechanisms of Misgeneralization in Physical Sequence Modeling [Harvard College & Microsoft & Comcast AI] https://arxiv.org/abs/2605.20299 --- [CL] The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [Google DeepMind] https://arxiv.org/abs/2605.20767 --- [LG] Spectral Souping: A Unified Framework for Online Preference Alignment [Google DeepMind & Google Research] https://arxiv.org/abs/2605.20408

你是否想过，AI不仅能找到一把优化万物的“万能扳手”，还能从“垃圾”数据中炼出真金？这一期，我们将一同见证AI如何跳出“训练好人”的思维陷阱，用“好制度”保障安全，甚至学会谦虚地向人类专家请教。让我们一起探索这些最新论文背后，令人拍案叫绝的智慧！ 00:00:27 找到那把能优化万物的“万能扳手” 00:06:04 AI训练的秘密，为什么“垃圾”也能变黄金？ 00:11:16 从AI安全，看“好制度”如何战胜“好人 00:16:03 如何用“笨”问题，精准定位一个“看不见”的目标？ 00:24:06 AI也懂谦虚？让机器学会“请教”的智慧 本期介绍的几篇论文： [CL] optimize_anything: A Universal API for Optimizing any Text Parameter [UC Berkeley] https://arxiv.org/abs/2605.19633 --- [LG] A Bitter Lesson for Data Filtering [Stanford University] https://arxiv.org/abs/2605.19407 --- [AI] Agent Security is a Systems Problem [Google & University of California San Diego] https://arxiv.org/abs/2605.18991 --- [LG] Optimal Reconstruction from Linear Queries [Technion – Israel Institute of Technology] https://arxiv.org/abs/2605.19625 --- [LG] Density-Ratio Losses for Post-Hoc Learning to Defer [KTH & Google Research] https://arxiv.org/abs/2605.19557

你有没有想过，你用的AI可能藏着一个无法抹去的“行为指纹”？我们又该如何分辨它是在“假装努力”，还是真的在高效思考？本期节目，我们将从几篇最新论文出发，聊聊如何让AI作画学会“高手画骨”，如何让AI拥有“经济适用房”般的超高性价比内存，甚至，如何把它的线性思维，彻底变成并行模式。准备好了吗？让我们一起探索AI世界的深层智慧。 00:00:32 你的AI，有没有一个隐藏的“小动作”？ 00:06:34 AI的“经济适用房”，怎么让它记性又好又省钱？ 00:12:22 AI作画新思路，高手画骨，庸手填肉 00:17:36 AI大模型，怎样把一根长长的竹竿，掰成一捆筷子？ 00:23:07 你的AI在“假装努力”吗？ 本期介绍的几篇论文： [LG] Asking Back: Interaction-Layer Antidistillation Watermarks [University of California, Los Angeles & Lawrence Berkeley National Laboratory] https://arxiv.org/abs/2605.16462 --- [LG] OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization [Together AI] https://arxiv.org/abs/2605.17757 --- [LG] Dual-Rate Diffusion: Accelerating diffusion models with an interleaved heavy-light network [Google DeepMind Amsterdam & University of Amsterdam] https://arxiv.org/abs/2605.18190 --- [LG] SNLP: Layer-Parallel Inference via Structured Newton Corrections [Red Hat AI Innovation] https://arxiv.org/abs/2605.17842 --- [CL] Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models [University of Illinois Chicago] https://arxiv.org/abs/2605.17672

你有没有想过，AI画画是不是也需要打草稿？面对一个“马虎”的AI，我们除了让它变聪明，还能不能帮它“划重点”？本期节目，我们将一口气解锁五篇最新论文里的智慧：看AI如何用“笨功夫”画出惊艳作品，如何从“作弊”中学到创造力，甚至如何用“供应链”思维组建一个高效的AI团队。准备好，我们一起看看AI是如何学会更聪明地工作的。 00:00:32 AI画画的“笨功夫” 00:05:58 人工智能的“马虎”病，我们找到了一个药方 00:10:45 让AI设计个东西，它居然学会了“作弊”？ 00:17:04 AI搞团队建设，为什么总像拉一个草台班子？ 00:23:00 AI大模型的美食家难题，如何调配完美的学习菜单？ 本期介绍的几篇论文： [CV] One Pass Is Not Enough: Recursive Latent Refinement for Generative Models [Simon Fraser University] https://arxiv.org/abs/2605.15309 --- [CV] Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding [Google DeepMind] https://arxiv.org/abs/2605.15342 --- [CL] Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search [Google Research] https://arxiv.org/abs/2605.16191 --- [LG] AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs [CMU] https://arxiv.org/abs/2605.15565 --- [CL] Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time [New York University & CMU] https://arxiv.org/abs/2605.15220

你有没有想过，最聪明的AI，可能也需要最“笨”的办法？本期我们要聊聊，为什么简单的“Ctrl+F”有时能打败高级算法，AI又如何学会“摊销”智慧来走捷关，甚至从古老的物理学中悟出了修炼“内功”的心法。我们还会看到，AI如何像搭积木一样逐层过滤、化繁为简，并通过“反复琢磨”最终获得顿悟。准备好，一起窥探AI思考的“内功”心法吧！ 00:00:30 AI大模型，越高级，越需要“笨”办法？ 00:07:32 AI求解大师，重复计算是美德，还是偷懒才是？ 00:13:46 AI的终极思考，当模型学会了“悟” 00:20:13 AI的超能力，把难题变简单的“过滤器” 00:25:12 AI的“内功”心法，一种来自物理学的古老智慧 本期介绍的几篇论文： [CL] Is Grep All You Need? How Agent Harnesses Reshape Agentic Search [PricewaterhouseCoopers] https://arxiv.org/abs/2605.15184 --- [LG] Local Inverse Geometry Can Be Amortized [A L. Kachhadiya] https://arxiv.org/abs/2605.13068 --- [LG] Solve the Loop: Attractor Models for Language and Reasoning [University of Southern California] https://arxiv.org/abs/2605.12466 --- [LG] Deep Learning as Neural Low-Degree Filtering: A Spectral Theory of Hierarchical Feature Learning [EPFL] https://arxiv.org/abs/2605.13612 --- [LG] Spontaneous symmetry breaking and Goldstone modes for deep information propagation [University of Amsterdam & Harvard University & Tsinghua University] https://arxiv.org/abs/2605.14685

你有没有想过，如何才能既给一个天才足够的自由，又不让他彻底“跑偏”？怎样才能把好莱坞的特效团队，压缩进我们自己的电脑？最新的一系列论文，就在用代码回答这些充满哲思的问题。这一期，我们将看到AI如何从“翻译腔”进化到“原生思考”，如何从“看着像”进化到像素级的“一模一样”，甚至，我们将一起见证，一个普通的AI如何被一步步调教成解题思路长达十几万字的“奥数金牌选手”。准备好了吗？让我们一起潜入AI智慧的深海。 00:00:36 给天才松绑，好过把他变成庸才 00:06:57 把好莱坞的特效团队，装进你的电脑 00:12:40 别再搭积木了，请直接“思考” 00:18:13 AI造物，如何从“看着像”到“一模一样”？ 00:23:27 如何把一个普通AI，调教成奥数金牌选手？ 本期介绍的几篇论文： [LG] Sub-JEPA: Subspace Gaussian Regularization for Stable End-to-End World Models [Shanghai University] https://arxiv.org/abs/2605.09241 --- [CV] SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer [NVIDIA] https://arxiv.org/abs/2605.15178 --- [CV] SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture [sensenova] https://arxiv.org/abs/2605.12500 --- [CV] Pixal3D: Pixel-Aligned 3D Generation from Images [Tsinghua University & Tencent ARC Lab] https://arxiv.org/abs/2605.10922 --- [CL] Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling [Shanghai AI Laboratory] https://arxiv.org/abs/2605.13301

你有没有想过，AI如何像我们一样，在反复试错后找到“刚刚好”的平衡点？这一期，我们就从几篇最新的AI论文出发，聊聊AI的“智慧进化”：看它如何学会给自己配备一个“后悔调节器”来动态调整策略，如何通过带“复盘笔记”的刻意练习，从沟通“小白”进化成“流程大师”，以及如何像拼乐高一样，用聪明的设计给自己“瘦身”，最终实现速度与质量的完美飞跃。 00:00:31 做对选择，你需要一个“后悔调节器” 00:05:28 AI 进化论，如何让一个聪明的“员工”，听懂“人话”？ 00:11:15 面对海量选择，我们如何做出“刚刚好”的聪明决策？ 00:19:09 AI作画提速的秘密，多看一步，不止平均 00:24:26 神经网络的大瘦身，为什么聪明的设计胜过蛮力计算？ 本期介绍的几篇论文： [LG] Efficient Online Conformal Selection with Limited Feedback [Google Research & Duke University] https://arxiv.org/abs/2605.14953 --- [LG] Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience [Google Research] https://arxiv.org/abs/2605.14443 --- [LG] Stochastic Matching via Local Sparsification [Google Research] https://arxiv.org/abs/2605.14195 --- [LG] Covariance-aware sampling for Diffusion Models [Google] https://arxiv.org/abs/2605.13910 --- [LG] Compositional Sparsity as an Inductive Bias for Neural Architecture Design [University College London] https://arxiv.org/abs/2605.14764

你有没有想过，AI写文章不靠“串珠子”，而是像雕塑家一样从混沌中“凿”出杰作？为什么把两个最先进的技术组合，反而会得到一个最差的结果？本期节目，我们将一起探讨几篇最新论文，看看AI如何像一个聪明的团队，在网上冲浪却不“学坏”；如何在与人类“上有政策，下有对策”的博弈中保持学习能力；以及它如何像一个决策守门员，把宝贵的精力只花在最值得的探索上。 00:00:32 AI写作新思路，像雕塑家一样“凿”出好文章 00:05:19 AI的“阅读”困境，该读字，还是读字母？ 00:11:41 你的“最强大脑”，差的不是智商，而是搜索方法 00:17:05 AI时代的“上有政策，下有对策” 00:22:37 决策的“守门员”，如何把精力花在刀刃上 本期介绍的几篇论文： [CL] ELF: Embedded Language Flows [MIT] https://arxiv.org/abs/2605.10938 --- [LG] The Efficiency Gap in Byte Modeling [Google DeepMind] https://arxiv.org/abs/2605.12928 --- [CL] Context Training with Active Information Seeking [Google DeepMind] https://arxiv.org/abs/2605.13050 --- [LG] Strategic PAC Learnability via Geometric Definability [Technion – Israel Institute of Technology] https://arxiv.org/abs/2605.13426 --- [LG] Delightful Exploration [Google DeepMind] https://arxiv.org/abs/2605.13287

这一期，我们来聊聊几个特别有意思的“AI悖论”：想让AI团队更强，是该招“通才”还是“专才”？AI写下的思考步骤，究竟是真实的内心独白，还是为了让你满意的“事后表演”？而教一个AI“学生”，是让他抄答案更有效，还是抄解题思路更靠谱？几篇最新的论文，给了我们一些出乎意料的答案。 00:00:27 人多力量大，还是术业有专攻？ 00:07:33 AI的“胎记”，我们如何给机器生成的内容盖个章？ 00:12:46 AI训练的快慢之争，一个两全其美的方案 00:18:35 你的AI队友，是在真思考还是在“演”给你看？ 00:23:52 让AI“小号”变聪明的秘密，抄答案还是抄思路？ 本期介绍的几篇论文： [LG] Slicing and Dicing: Configuring Optimal Mixtures of Experts [University of Washington & New York University] https://arxiv.org/abs/2605.11689 --- [LG] TextSeal: A Localized LLM Watermark for Provenance & Distillation Protection [Meta Superintelligence Labs] https://arxiv.org/abs/2605.12456 --- [LG] Learning, Fast and Slow: Towards LLMs That Adapt Continually [UC Berkeley & Mila] https://arxiv.org/abs/2605.12484 --- [LG] When Reasoning Traces Become Performative: Step-Level Evidence that Chain-of-Thought Is an Imperfect Oversight Channel [CMU & Fujitsu Research of America Inc] https://arxiv.org/abs/2605.11746 --- [CL] A Study on Hidden Layer Distillation for Large Language Model Pre-Training [Google DeepMind] https://arxiv.org/abs/2605.11513

你有没有想过，AI也会有“选择困难症”吗？或者，怎么才能给AI请个既省钱又能干的“陪练”？这一期，我们就来聊聊几篇有趣的最新论文，看看科学家们是如何教会AI像高手一样反思、像侦探一样倾听“沉默的投票”，甚至用中学物理知识，给AI装上一双“3D眼睛”的。准备好了吗？让我们一起出发！ 00:00:29 鸡娃不如“陪练”，AI训练的降本增效新思路 00:05:53 AI的学霸秘籍，如何像高手一样思考和进化 00:12:12 AI的阅读术，如何既快又好地啃下海量信息？ 00:18:24 AI的“过分自信”，原来是种“选择困难症” 00:23:39 让AI拥有“立体视觉”的省钱妙计 本期介绍的几篇论文： [LG] CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization [Google Research] https://arxiv.org/abs/2605.08873 --- [CL] RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [Google Cloud AI Research] https://arxiv.org/abs/2605.10899 --- [CL] Scratchpad Patching: Decoupling Compute from Patch Size in Byte-Level Language Models [Google DeepMind] https://arxiv.org/abs/2605.09630 --- [CL] The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods [Google] https://arxiv.org/abs/2605.09739 --- [LG] RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings [Seoul National University & Google Research] https://arxiv.org/abs/2605.10706

今天我们要聊点特别有意思的话题：AI是怎么“思考”和“成长”的？我们会从几篇最新的论文出发，看看AI如何学会聪明地“花钱”，如何在学习中分清“英雄”与“集体”；然后，我们会揭秘它那套先打“草稿”再复核的高效工作法。最后，我们会用一把全新的“尺子”去度量它成长的极限，并给它做一份“智商测试”，看看这个“天才”到底偏科有多严重。准备好了吗？让我们一起潜入AI的大脑深处。 00:00:33 如何打造一个“更划算”的虚拟世界？ 00:06:10 大模型的“缩放法则”里，藏着什么秘密？ 00:13:40 快与慢，AI世界里的“草稿式”工作法 00:19:55 你的数据值多少钱？一个新尺子，看透AI的增长极限 00:26:42 AI的“智商”报告，一个偏科天才的养成 本期介绍的几篇论文： [LG] On Training in Imagination [Weizmann Institute of Science & New York University & Columbia University] https://arxiv.org/abs/2605.06732 --- [LG] Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer [Harvard University] https://arxiv.org/abs/2605.07870 --- [CL] Fast Byte Latent Transformer [FAIR at Meta] https://arxiv.org/abs/2605.08044 --- [LG] On the Invariance and Generality of Neural Scaling Laws [Johns Hopkins University & MIT] https://arxiv.org/abs/2605.07546 --- [AI] Uneven Evolution of Cognition Across Generations of Generative AI Models [Google DeepMind & Google Research] https://arxiv.org/abs/2605.06815

你有没有想过，一个真正聪明的AI，应该具备哪些超越“有问必答”的能力？本期节目，我们将通过几篇最新的AI论文，一探究竟。我们将看到，AI如何从一个被动的知识库，进化成一个懂得“追问”的医生，以及一个会“打腹稿”的作家。我们还会揭示，AI如何学会把“登天”的难题拆解成“上楼”和“坐电梯”，又是如何通过一个“记忆外挂”实现过目不忘的。准备好了吗？让我们一起刷新对AI“思考能力”的认知！ 00:00:34 AI看病，真正厉害的不是“诊断”而是“追问” 00:06:35 把“登天”的难题，拆解成“上楼”和“坐电梯” 00:11:52 AI开口说话，非得“一句接一句”吗？ 00:16:47 面对海量数据，我们如何看清那只“看不见的手”？ 00:23:46 AI的“记忆外挂”，如何让它过目不忘？ 本期介绍的几篇论文： [AI] SymptomAI: Towards a Conversational AI Agent for Everyday Symptom Assessment [Google Research] https://arxiv.org/abs/2605.04012 --- [LG] Conditional Diffusion Sampling [University of Cambridge & University of Granada & University of British Columbia] https://arxiv.org/abs/2605.04013 --- [CL] Continuous Latent Diffusion Language Model [Bytedance Seed] https://arxiv.org/abs/2605.06548 --- [LG] High-Dimensional Statistics: Reflections on Progress and Open Problems [Columbia University & Harvard University & CMU] https://arxiv.org/abs/2605.05076 --- [CL] TIDE: Every Layer Knows the Token Beneath the Context [Apple] https://arxiv.org/abs/2605.06216

你有没有想过，最简单的数学平均值，竟然能打败最复杂的压缩算法？或者，在教AI“做什么”之前，我们其实可以先给它“喂”一套完整的思想和人设？本期节目，我们将从四篇最新的AI论文出发，一起探寻如何让AI自己长出可拆分的“乐高模块”，以及如何像一位顶级名师那样，把奖励精准地“夸”到AI的灵光一闪之处。 00:00:29 你的记忆能被压缩多少，藏在一个几何定律里 00:06:42 训练AI，从“喂”指令到“喂”思想 00:11:47 AI减肥记，如何让一个大模型只带“脑子”出门？ 00:17:54 AI也需要“夸到点子上”？ 本期介绍的几篇论文： [LG] The Geometry of Consolidation A Bharadwaj Vangara, A Gopinath https://github.com/niashwin/geometry-of-consolidation/blob/main/paper/arxiv/main.pdf --- [AI] Model Spec Midtraining: Improving How Alignment Training Generalizes C Li, S Price, S Marks, J Kutasov https://arxiv.org/abs/2605.02087 --- [CL] EMO: Pretraining Mixture of Experts for Emergent Modularity R Wang, A Bhagia, S Min https://arxiv.org/abs/2605.06663 --- [LG] DGPO: Distribution Guided Policy Optimization for Fine Grained Credit Assignment H Jin, R Zhu, Z Du, X Jiang… https://arxiv.org/abs/2605.03327