节目

AI startup Kimi released its K3 model on Tuesday Beijing time, with third-party evaluations showing performance comparable to Claude 5 at a fraction of the cost per task. The rise of capable and affordable Chinese AI models is fueling global debates over technology competition and regulation. In the US, companies including Nvidia, Microsoft and OpenAI, along with more than 30 signatories, are urging policymakers to support open-weight models and avoid conflating legitimate techniques like distillation with unlawful extraction. Where is the debate heading, and what could it mean for future AI development and China-US AI dialogue?

你有没有发现，有些人习惯在说话时给自己留三分：不敢把话说满，不愿直接表达不满，别人冒犯自己时，也总是用一句自嘲轻轻带过。他们把这种行为称为谦虚、礼貌和成熟，觉得只要自己足够低调、懂事、不与别人发生冲突，就更容易获得认可和喜欢。 但现实往往恰恰相反。 本期节目源于一封听友来信。他努力工作、坚持读书和健身，为人礼貌、诚实，从不说大话。面对不舒服的评价，他也总是用自嘲化解。可即使已经如此努力地做一个“好相处的人”，他依然觉得自己在工作中不被重视，在朋友中像一个小透明，感情生活也并不顺利。 为什么一个人越是谦虚退让，反而越容易被忽略？ 自嘲究竟是幽默和高情商，还是一种隐藏得很深的自我贬低？ 当我们习惯性地缩小自己、否定自己，别人又会如何判断我们的价值？ 这一期，我们想聊聊：真正的谦虚与自我贬低之间，到底有什么区别；以及一个人该如何停止用“懂事”掩盖委屈，重新建立清晰、稳定的自我价值感。 收听指南 🎧 02:10 我们很努力却习惯自我矮化 03:23 提前降低期待是社交误区 05:34 不要自嘲，别人对你的看法很多源于你 06:06 宇冰曾前辈的经验坑了 10:54 两种表态，会有两种发展机会 11:06 我什么我们总爱贬低自己 13:13 分清自嘲、凡尔赛、过度谦虚 16:59 靠自嘲求安慰只会恶性循环 24:06 职场新人切记别频繁否定自己 26:40 成绩好却过度自谦易招人反感 32:05 长期自嘲的三大负面影响 33:18 自我贬低也很难找对象 36:10 习惯性自贬容易变成讨好型人格 41:28 改掉自嘲简单实操办法 —————— 【知识星球 🌍 | 仅此而已的问答客厅】 如果你想和我们有更多深度交流，欢迎加入【仅此而已的问答客厅】。在知识星球搜索同名即可找到，我们在这里等你💗 ✨ 你能获得： * 专属问答机会：每月一次免费匿名提问，可以选择由男主播或女主播回答。我们会精选更清晰、有启发性或更具代表性的问题，进行深度回应。 * 特别连线体验：每年一次匿名语音连线机会，简单聊聊你的问题。主播会选择更有启发的内容去优先连麦，（30分钟内，且并非一定会连麦所有人，需要和主播确认哦～） * 隐藏福利：不定期的资料分享、答疑音频以及社群专属小活动。 【视频播客】 小红书、微博、B站 【音频平台】 小宇宙、苹果、喜马拉雅、网易云音乐、蜻蜓fm、豆瓣、荔枝 【进群】 听友群 VX：jincieryi2077（仅此而已拼音+2077） *节目涉及的学习资料皆在群内，可免费领取～ 【合作】 商务联系📮：[email protected] 友友们，下期见啦～👋

本期《哈哈传达室》，我们来和大家一起聊聊成年人的特殊技能——「独处」 小时候我们拼命想逃离一个人的房间，觉得没人陪就是世界抛弃了自己；长大以后，却开始花钱买“独处体验”，一个人看电影，一个人旅行，一个人吃饭，甚至一个人在家换家具、涂身体乳、对着一盆鸡毛菜产生感情…… 有人喜欢社交，但讨厌出门；有人喜欢聊天，但不想维系关系；有人可以和滴滴司机聊三个小时人生，却不想回复朋友一句“最近怎么样”；有人一个人在国外被迫生活，靠游戏、泡面和火腿活过暴雨天；还有人独处最大的快乐，是终于可以站在阳台上全裸吹风！ 所以这一期，我们想聊聊：当世界安静下来之后，我们到底能不能和自己好好相处？ ヾ(^∀^)ﾉ 本期主播： 嘉宾—万一霖（@万一霖）：世界如此嘈杂，我却如此光滑～ 嘉宾—strong（@STRONG-脱口秀-站着说）：这期我一直在独处。 小罗（@小罗奇妙妙妙屋）：独处最大的快乐，是给自己的家玩“交换空间” 吴杨（@吴杨痩不回120了）：一个人在泰国暴雨里生活一个月，最后靠火腿活下来 大强（@朱大强女士）：独处也要发朋友圈，没有观众的独处是不完整的 头头（@会讲话的头头）：一个人住最大的自由，就是终于可以随便躺 ヾ(^∀^)ﾉ 时间轴： 00:03:18 小罗：人无法同时拥有社交，和对社交的幻想 00:04:21 万一霖：我的生活遵循五天独处，三天社交原则 00:09:43 大强：独处也要发朋友圈，不然快乐少了一半 00:13:09 头头：真正的独处，是醒着的时候和自己相处 00:17:16 小罗：在家玩儿家具华容道就是我最爱的独处时刻 00:22:11 头头：独居最大的快乐是终于可以在家裸体吹晚风！ 00:25:23 万一霖：世界如此嘈杂，我却如此光滑～ 00:32:06 大强：喝醉以后一个人走七公里回家，也算人生高光 00:35:09 吴杨：暴雨封城，鳄鱼爬上街道，我开始在泰国荒野求生 00:44:32 strong：开车遇雷暴雨，本来想听歌，结果进入《凡人修仙传》渡劫副本 01:02:44 strong：分手后一个人看演唱会，周围坐满四对情侣 All music credits to： 日落—孙燕姿 Nightsport—The Bamboos ヾ(^∀^)ﾉ 感谢收听由不止喜剧出品的播客节目「哈哈传达室」，昆明的喜剧演员在这个乐子人客厅广交朋友、传递快乐，愿朋友们既能在人群里找到快乐，也能在一个人的时候，好好陪伴自己，很荣幸我们能陪你大哈特哈~ 剪辑制作：jade 选题策划：小罗 出品：不止喜剧 参与线下录制、进听友群、商务咨询请添加微信：dankouxijuya

本期选取六则来自日本普通读者的灵异投稿。故事发生在旧宅、公路、学校、寺院和陌生的户外角落。没有宏大的传说，也没有绵延百年的诅咒，只有一些普通人，在平常生活中偶然遭遇的异常瞬间。 当熟悉的声音开始变得陌生，当眼前的空间与记忆不再吻合，我们又该如何判断，自己究竟看见了什么？ 请关上灯，戴好耳机。 让我们暂时借用亲历者的视线，走进那些悄然侵入日常生活的恐怖经历。 收听时点 一.后院里的影子（裏庭の近づく影） 00:01:58 二.从车窗探出身子（車窓から乗り出す） 00:07:27 三.电话（じりりりりりりり） 00:10:29 四.山的照片（山を撮った写真） 00:14:12 五.向上延伸的楼梯（上に続く階段）00:18:09 六.帐篷（無数の撫でる手）00:23:17 收听时点 ほぼ日刊イトイ新聞『ほぼ日の怪談。』（ほぼ日ブックス） 注：为了保证节目听感，部分故事在播讲过程中会加入主播的自我发散和风格化解读；如与原文存在出入，请以原作为准。 部分素材及参考文献暂无法确认或联系权利主体，若涉及合法权益，在此先行致歉，并请权利主体与我联系处理相关事宜。上述参考文献对本节目帮助极大，向各位学者、前辈致谢！

7月28日，亚太股市上演“黑色星期二”，半导体股遭遇剧烈调整。 韩国KOSPI指数开盘不久大跌8%，触发今年第八次熔断，最终收盘大跌10.84%，本月已下跌超30%。日本日经225指数收跌3.95%，铠侠股价一度暴跌18%。 此前隔夜，美股市场已经率先遭遇“芯片抛售潮”。费城半导体指数一度大跌近5%，最终收跌2.23%。英伟达大跌近5%，创6月5日以来最大单日跌幅。存储概念股集体大跌：闪迪大幅收跌超11%，SK海力士ADR大跌超7%，甚至跌破美股IPO发行价。 这轮调整并非发生在业绩低迷时期。恰恰相反，存储巨头当前盈利仍处于高位。有投资者感叹“业绩最好的一年，亏得最惨的一个月”。6月底还在开香槟，现在已经默默打开了招聘软件。 眼下，所有的追问几乎都指向同一个方向：市场正在为过去几年急剧膨胀的AI资本开支“查账”。而这轮查账的焦点，正是重新升温的“循环融资”争议。 如果说“循环融资”在质疑AI需求的质量，那么长鑫上市则在悄悄改变AI存储供应的预期。 它的存在，就像一条鲶鱼游进了池子，让原本安稳的三巨头格局多了一个需要当心的变量。 一、循环融资：当信贷市场开始投反对票 先来看“循环融资”：7月26日外媒披露的一组交易细节，把这套操作清晰地摊了出来。 根据报道，英伟达正与OpenAI谈判，计划为其提供约2500亿美元的融资担保，帮助OpenAI锁定俄亥俄州一个10吉瓦级数据中心项目的算力。 与此同时，英伟达还在讨论为OpenAI采购芯片提供3500亿美元融资。加上此前与SK集团宣布的逾5000亿美元AI基础设施合作，英伟达潜在涉及的交易规模已超过7500亿美元。 这些操作的实质并不复杂：英伟达为客户提供融资或担保，而这些客户又反过来购买英伟达的芯片。有了英伟达的信用背书，项目才能拿到便宜的钱。 在产业高速扩张期，这个模式几乎不会招致质疑——因为所有人的注意力都集中在同一个问题上：“还能不能买到更多芯片？” 但信贷市场开始用真金白银投票了。消息出来后，英伟达的五年期信用违约互换（CDS）价差单日飙升14个基点至82个基点，创下该合约自去年11月活跃交易以来的最大盘中涨幅。 需要留意的不是英伟达一家。甲骨文、SpaceX、Alphabet、亚马逊、Meta、博通等巨头的CDS价格近日不约而同地攀升至历史最高位。法兴银行更是说出了很多人的心里话：“对超大规模算力企业来说，现在要看CDS，而不是EPS。” 当然不是要一竿子打死“循环融资”。但在经历了两年不计代价的投入后，市场终于开始集体问出那个被刻意绕开的问题：这些钱，什么时候能看到回头钱？ 二、从圈地到耕种：AI产业切换跑道 过去两年，资本市场的叙事逻辑简洁而雄壮：AI需要多少算力？在这个问号下，GPU涨价、HBM供不应求、数据中心像积木一样堆满大地，一切都沿着直线向外推演，似乎只要堆得够多，明天总是更亮的。 但现在，账本被摊开了。 穆迪的预测像一盆冷水：全球超大规模云服务商的资本支出将在2026年达到7850亿美元，2027年进一步逼近1万亿美元。单看2026年，谷歌、微软、亚马逊、Meta四家合计就要花掉约7250亿美元，比2025年猛增77%。其中谷歌全年资本开支同比翻倍，微软同比增长61%。 这不是危言耸听：穆迪已发出警告，AI投资潮正在冲击科技企业的信用质量。 高盛也提醒市场面临三重负反馈循环：谷歌将2026年资本支出上调至逾2000亿美元后，自由现金流随即转负，引发超大规模云厂商的叙事危机。机构汇总预测显示，2026年谷歌、亚马逊全年自由现金流将持续为负，Meta全年现金流可能大幅萎缩95.7%，仅剩18.5亿美元。 AI产业正在从“扩张阶段”迈入“效率验证阶段”。如果说过去两年是“圈地”，现在则开始“耕种”。圈地时代看谁跑得快，耕种时代看谁单位产出高。 这个切换的核心标尺，可以叫作“单位智能成本”：每一次AI推理、每一次模型调用背后的综合成本。谁能把性能守住、把单位成本降下来，谁就拿到了下一阶段的入场券。 三、HBM像奢侈品，通用DRAM像日用品 产业的这种冷热切换，落到存储市场上，天然形成两条走向不同的河流。 一条是HBM，它解决的是AI能力的“上限”。训练最顶尖的大模型需要极度夸张的带宽，HBM在当下几乎是唯一的可行解。SK海力士、三星、美光把持着这条窄赛道，SK海力士凭着HBM3E的先手，在英伟达的认证链条上领先三星约一年。 不过在HBM4时代，局面已经不同。2026年初，三星、SK海力士、美光三家企业均已进入HBM4量产阶段，HBM的竞争正在进入一个新的回合。 另一条是通用DRAM，它回答的是AI规模化的“成本”问题。当AI从少数几个顶尖实验室走向成千上万家企业，从训练走向日常推理，你需要的就不再是少数几条高速赛道，而是密集而廉价的车道网——大量通用服务器，以及价格平易近人的内存。 这就像造航天飞机和开网约车的区别。HBM是航天级的耐热瓦，贵得理直气壮；通用DRAM是路上跑的轮胎，贵了就没人坐得起车。 两者的关系不是替代，而是分工。SK海力士75%至77%的营业利润率，放在传统DRAM行业里简直难以想象——通常这些厂商的利润率在20%至40%区间内浮动。HBM令人咋舌的暴利，恰恰提示了另一面：通用DRAM才是那个急待用“降本”来撬开更广阔市场的板块。 说白了，HBM决定AI能飞多高，通用DRAM决定AI能铺多广。当下市场的纠结之处正在于，HBM的高端故事已经被充分咀嚼定价，而AI走向大规模部署后通用DRAM的增量空间，却还被遮在暗角里。 四、长鑫的牌：不在性能巅峰，而在成本曲线 长鑫目前主力产品已从DDR4过渡到DDR5、LPDDR5/5X等通用DRAM，用在服务器、PC和手机上。按2025年第四季度DRAM销售额统计，长鑫的全球市场份额已经上升至7.67%。 这恰恰是理解它战略价值的钥匙。AI产业重心一旦向推理端倾斜，通用DRAM就被推到了聚光灯下。训练环节，性能是唯一的标尺，HBM不可取代；可到了推理落地环节，如何以更低成本支撑海量应用，成为新的竞争焦点，服务器、存储和内存基础设施的重要性随之上升。 设想一个场景：未来几年，一家保险公司的AI理赔审核系统，每天处理数十万张单证，后台服务器里面的内存条，可能不是什么尖端HBM，而是量大管饱的DDR5或LPDDR。 长鑫的战略价值就在这里。当AI基础设施的偏好从“不惜工本要性能”转向“精打细算拼性价比”，通用DRAM的市场就不是在收缩，而是在成倍地放大。长鑫作为搅局的“鲶鱼”，天然成为一个变量。 半导体产业史反复讲过一个故事：最后摘走最大果实的，常常不是性能上的绝对王者，而是那个把使用成本打到地板的人。 目前长鑫的机会，不是马上去攀登HBM的技术峭壁，而是参与到AI基础设施“降本”的整个进程里。当AI从巨头实验室里的昂贵玩具，变成千行百业伸手可及的工具，谁能把存储做得更便宜、更易得，谁就坐在了产业趋势的同一边。 当然，前景是前景，脚底下的路并不平坦。DRAM行业天生的剧烈周期也决定了，任何一个新入局者都必须挺过至少一轮完整的牛熊淬炼。空间在那里，路要一步一步走。 半导体产业每一次大周期的交接，都会重新分配座次。PC时代拼芯片纯性能，英特尔赢了；互联网时代拼服务器部署的规模，英特尔继续占据王座；移动时代，ARM凭借低功耗优势改变了芯片生态；云计算时代，开放架构和成本效率成为新的竞争变量。 AI时代，则很可能进入一个更深层的维度：智能成本的全面竞争。AI产业链由此浮现出清晰的两层结构。 上层是高端训练，关键词仍然是“性能”，代表选手是GPU+HBM； 下层是大规模部署，关键词变成了“成本”，代表要素是服务器、存储、电力和网络。 长鑫所处的通用DRAM赛道，显然站在第二层。随着AI技术持续熟化、商业渗透越扎越深，第二层的市场体量或许会远远超过第一层——这就像今天云计算的市场规模早已把超级计算机市场甩在身后。

【赞助商】 OpenClaw快报 每天五分钟，听听 OpenClaw 快报，带你了解最新动态和业内讨论 传送门 https://www.xiaoyuzhoufm.com/podcast/6a1732a2dffa135d0ab5ef43 【目录】 本期的 15 篇论文如下： [00:33] 🧠 Kimi K3: Open Frontier Intelligence（Kimi K3：开放前沿智能） [01:22] 🎨 JarvisHub: An Open Harness for Canvas-Native Multimodal Creative Agents（JarvisHub：一个面向画布原生多模态创意代理的开放框架） [02:20] 🤖 From Proprietary to Open-Source: Bridging the Distribution Gap via Multi-Agent Protocol Distillation in Agentic Search（从专有到开源：通过多智能体协议蒸馏弥合智能搜索中的分布差距） [03:18] 🤖 Progress Reward Modeling for Robotic Learning: A Comprehensive Survey（机器人学习的进度奖励建模：一项全面综述） [04:17] 🤖 StateAct: Program State, before Pixels, for Long-Horizon Computer-Use Agents（StateAct：面向长周期计算机使用代理，程序状态优先于像素） [05:23] 🧠 Rethinking Classifier-Free Guidance in On-Policy Diffusion Distillation（重新思考在线策略扩散蒸馏中的无分类器引导） [06:27] 🗼 Data Pyramid for Embodied Manipulation（具身操作的数据金字塔） [07:33] ⚡ Sol-Attn: Accelerating Video Generation Inference via On-the-Fly Attention Sparsification（Sol-Attn：通过即时注意力稀疏化加速视频生成推理） [08:37] 🎬 OmniVAE: An Audio-Video VAE with Cross-Modal Alignment for Joint Generation（OmniVAE：一种具有跨模态对齐的音频-视频VAE，用于联合生成） [09:30] 🧠 The Physics of Multi-Turn Long-Horizon Planning: From Pre-training to Post-training via Single- and Multi-Teacher On-Policy Agentic Distillation（多轮长程规划中的物理学：通过单教师与多教师在线策略智能体蒸馏从预训练到后训练） [10:26] 👗 Oxygen-TryOn: Fashion-Native Foundation Model for Any-item Virtual Try-On（氧气试穿：面向时尚的原生基础模型，实现任意物品虚拟试穿） [11:17] 🦎 Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling（Chamaileon：基于情境化建模与混合采样的跨情境结合剂设计） [12:11] 🔮 dRAE: Representation Autoencoder with Hyper-Spherical Codes（dRAE：超球面码的表示自编码器） [13:09] 🧩 DecoupleMix: Decoupled Ratio Search and Convex Allocation for Scalable VLM Data Recipes（解耦混合：用于可扩展VLM数据配方的解耦比率搜索与凸分配） [14:08] 🏥 ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding（ClinFusion：一种面向整体医学理解的以视觉为中心的多模态大语言模型系统） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

欢迎收听本期《食神生财》，5位上海土著（上海老饕、美食作者、美食公众号主理人，厨龄30年的上海菜餐厅老板）在新天地“蝶园”齐聚食神生财的播客餐桌，大家一起边吃边聊。 从“上只角”的地域记忆到弄堂里的四大金刚，从繁华时期的上海美食到本地人推荐的值得吃的上海菜餐厅，打破关于本帮菜的刻板印象，带你品味最地道的浓油赤酱与千禧年老味道。 🌟本期听点🌟 * 地域与美食之争：探讨上海老城厢“上只角”与“下只角”的划分由来，以及消失的卢湾区与南市区藏着怎样的饮食底蕴。 * 童年回忆杀料理：复刻80、90年代经济上行期的“小孩菜”如果珍冬瓜条与雀巢腰果，以及上海人关于弄堂早餐&四大金刚的回忆。 * 本帮菜的烹饪秘籍：30年老厨师亲自揭秘，正宗的上海红烧肉为什么坚决不炒糖色，而白烧鳝丝又到底有何讲究。 * 土著私藏餐厅大公开：除了蝶园，资深老饕们还有哪些压箱底的本帮菜馆和海派西餐厅值得你专程打卡。 💙你们的主播💙 杨铠西Casey 身弱丙火Pocky 欢迎大家添加👉🏻微信进群一起聊天：fortunebites_sssc （备注“食神生财听友”） ⏱️ Shownotes * 00:09 嘉宾登场：《中国烹饪杂志》美食作者蒋辉、上海市中心土著，生活方式公众号主理人Miss莓子、上海本地人&美食作者芭比，以及蝶园餐厅老板齐总齐聚畅聊。 * 01:41 闲聊上海地段的隐秘划分：“上只角”与“下只角”的历史渊源，以及消失的卢湾区与南市区。 * 07:03 经典上海凉菜大赏：醉鸡、烤麸的美味，还有让Pocky又爱又恨的“水笋烧肉”童年噩梦。 * 11:37 上海人的专属硬核早餐：小桃园的软蛋饼与四大金刚，以及堪比法棍的老上海“上牙膛破坏者”粢饭糕。 * 17:46 糟卤与醉汁的区别科普，以及穿越回90年代的饭店创新小孩菜：雀巢腰果与果珍冬瓜条。 * 25:04 家常弄堂菜与饭店大菜的区别到底在哪？炮台灶的火力差异造就了无法复刻的美味。 * 28:15 灵魂快问快答：让你印象最深的上海菜是什么？腌笃鲜与咸酸饭（菜饭）引发同好相认。 * 37:14 蒋辉老师的新疆与湖北童年美食分享：融入当地的兵团美食的与南方血缘里的本帮红烧鱼。 * 45:34 惊艳四座的蜜汁火方：选用13年金华火腿中心部位，改良版吐司夹法大受全场好评。 * 49:02 正宗上海臭豆腐的魅力密码，必须搭配特制的辣糊酱；炸猪排经典CP，辣酱油。 * 51:13 极度考验耐心的失传老菜“鱼葡萄”，以及厨师对响油鳝丝与白烧鳝丝的严苛要求。 * 01:04:14 极佳的下饭神器与春卷灵魂馅料：一盘烂糊肉丝背后的温馨童年记忆。 * 01:07:01 宁波帮与淮扬菜对本帮菜的深远影响：从带鱼、呛虾到扣三丝的历史演变。 * 01:13:30 齐总揭秘上海红烧肉的终极奥义：摒弃奇技淫巧，不炒糖色，只靠生抽老抽与白砂糖提鲜增色。 * 01:17:20 《繁花》同款“宝总泡饭”的具象化再现：平湖糟蛋、宝塔菜与蟹糊的高级吃法。 * 01:19:47 本帮菜老厨师的坚持：为什么真正好的老上海菜餐厅不爱搞花哨创新？复购率和稳定性才是王道。 * 01:22:20 必看点单攻略：红烧肉、响油鳝丝、葱烤鲫鱼是体验纯正本帮风味的必选项。 * 01:36:04 嘉宾私藏上海餐厅大公开 * 01:49:31 海派西餐的绝对代表“罗宋汤”：巧用番茄酱、红肠与包菜炖出特有的上海味道。 当天喝的宁夏产区 枕山霞多丽， 充满老上海风格的蝶园餐厅 录制当天吃到的蝶园菜品 播客里提到的推荐本帮菜餐厅： 01 蝶园 02 157食坊 03 百莲春保罗·上海菜 04 我家餐厅 05 老吉士酒家 06 圆苑 07 海金滋 08 萧嫂小菜一碟 09 毛豆阿姨酒家 10 转角·老弄堂上海菜 11 南伶 12 妈妈家·本帮菜

联系我们： # 公众号：觉性科学&央金歌舞 # 视频号“宇廷觉学”，小红书“宇廷觉学” #相关书籍：《念完哈佛念阿弥陀佛》（作者：陈宇廷） → 视频号“宇廷觉学”橱窗

很多打工人上班都会发现，不少公司都会给员工配置包含保险在内的员工福利。但很多人拿到福利方案时都一头雾水，搞不清楚这些保险到底保什么，什么是雇主责任险，什么是团体意外险，公司给的补充医疗险到底好在哪，和我们自己买的个人商业保险又有什么区别。 今天我们就请到了团险领域的资深专家，来一起聊聊打工人的隐形福利。我们也会帮大家梳理，拿到公司团险之后，应该重点看哪些内容，怎么用好自己的这份员工福利。 【特邀嘉宾】 傅老师：主播小夏多年好友，15年前的老同事，在团财、员工福利领域有多年资深从业经验，目前在头部互联网保险渠道从事相关工作。 【主理人】 邱小夏（微信：qiuyin1210）：十几年外资保险公司财务转行，上海财大本科。呆过很多家保险公司，热爱美食，了解各个保险公司八卦。给家人理赔过重疾，同时也是高端医疗的用户。 瓜瓜李（微信：zhqnli）：北大本科，巴黎新加坡旅居多年。前投资银行打工人，美港股15年投资经验。20岁出头住院理赔30万，之后开始研究保险，踩过不少坑，希望别人少踩点儿。高端医疗险用户，人类幼崽饲养员。 【时间戳】 00:04 团体意外险的基本特性：可与其它保险叠加赔付 00:55 市场趋势：企业团体保险的个性化购买需求正在提升 02:00 现状：企业为员工配置团体保险已成普遍福利 02:36 本期缘起：听众对公司团险的普遍困惑与专家解答 04:21 核心概念区分：雇主责任险不算员工福利，团体医疗意外险才是 05:22 雇主责任险的定位：为保护雇主权益而设，非员工直接福利 06:58 配置建议：企业为何需要同时配置雇主责任险与团体意外险 08:24 雇主责任险的条款解析：拓展24小时保障的意义 12:08 理赔标准辨析：雇主险与团险在伤残标准上的差异 15:51 探讨：团体保险中的“猝死”理赔争议与条款约定 16:27 团体险的灵活性：如何通过特别约定拓展保障范围 18:49 企业主视角：成本控制下，团意险和雇主责任险如何选择 21:08 团体百万医疗险的优势：低成本高保障，提升员工福利感知 24:57 团体医疗险的注意事项：意外医疗也存在等待期 26:21 案例分析：团体保险受益人是谁？理赔款的归属问题 31:39 责任竞合问题：上班途中发生交通事故，车险和工伤保险谁先赔？ 37:15 员工福利新趋势：补充医疗保险的保障范围可覆盖员工父母 43:24 市场观察：个人高端医疗与团体高端医疗的理赔体验差异 52:22 续保问题：团体保险理赔后，次年保费可能面临调整 01:04:02 团体保险的核心风险：员工离职即保障失效，如何应对？

你有没有想过，AI也会“偷懒和稀泥”，甚至在“不后悔”这件事上比我们做得更好？这一期，我们将一起揭开AI的“隐秘角落”，看看最新论文是如何让AI从一个只会算“相似度”的感觉派，变成一个懂得回溯证据链的逻辑派，并揪出它背后那个爱走捷径的“品味导师”的。 00:00:23 AI的学习悖论，从拼图到填词游戏 00:05:09 AI的“相似度陷阱”，为什么它总搞错“和”与“不”？ 00:11:07 如何让AI学会“不后悔”？ 00:17:01 AI对话，如何揪出每一句话的“祖宗”？ 00:22:30 AI的“潜规则”，它在偷偷学什么？ 本期介绍的几篇论文： [CL] The JEPA Paradox in Language: The Geometry of Linguistic Alternatives [VinUniversity & Mohamed bin Zayed University of Artificial Intelligence] https://arxiv.org/abs/2607.23531 --- [CV] Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models [CMU] https://arxiv.org/abs/2607.23052 --- [LG] Training with (Swap) Regret Loss in a Single-Layer Self-Attention Model: A Case Study on the Probability Simplex [MIT] https://arxiv.org/abs/2607.23333 --- [CL] Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations [Microsoft Research & University of Toronto] https://arxiv.org/abs/2607.22610 --- [LG] What do Reward Models Memorize? [University of Amsterdam & Google DeepMind] https://arxiv.org/abs/2607.24484