AI可可AI生活 - 节目列表

你有没有想过，AI的能力瓶颈，可能不是因为它“不够聪明”，而是我们“用错了方法”？本期节目，我们将一起探索几篇有趣的最新论文：看AI如何通过“任务分解”让文档阅读提速三倍，又是如何从“教会它新知识”转变为“唤醒它沉睡的潜能”。我们还会聊到，AI怎样才能从给你“看电影”升级到带你“逛电影”，以及我们该如何为AI精心准备一份“营养套餐”而不是一堆“垃圾食品”。让我们一起看看，这些思维的转变，将如何重塑我们与AI的未来。 00:00:38 换个姿势，让AI阅读提速三倍 00:05:25 AI绘画新思路，不是更大，而是更巧 00:11:42 AI造世界，从“看电影”到“逛电影” 00:18:09 AI的新能力，不是教会，而是唤醒 00:24:25 喂给AI的资料，怎样才算“好”？ 本期介绍的几篇论文： [CL] HPD-Parsing: Hierarchical Parallel Document Parsing [paddleocr] https://arxiv.org/abs/2607.18839 --- [CV] Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing [Microsoft Mage Team] https://arxiv.org/abs/2607.19064 --- [AI] AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report [AlayaWorld Team, Alaya Lab] https://arxiv.org/abs/2607.18367 --- [CL] Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level Timing [nyra labs] https://arxiv.org/abs/2607.18934 --- [CL] Beyond Relevance-Centric Retrieval: Rubric-Oriented Document Set Selection and Ranking [University of Science and Technology of China & Yuanbao Team, Tencent] https://arxiv.org/abs/2607.19747

你有没有想过，AI在看似随机的打字节奏里，可能正在泄露自己的核心机密？或者，一个看似无害的几十兆“小补丁”文件，竟然能装下你全部的私人日记？本期节目，我们将一起揭开AI光鲜外表下的“隐藏设定”：从指导AI修炼更强“内功心法”的最新论文，到让AI学会“开小差”反而效率更高的反直觉策略，再到教会AI像顶尖棋手一样精准“复盘”自己的错误。准备好了吗？让我们一起潜入AI的后台，看看那些不为人知的智慧与博弈。 00:00:36 AI训练的内功心法，为什么有的模型学得又快又好 00:06:02 大模型加速的秘密，为什么“开小差”反而效率更高？ 00:12:10 让AI学会“复盘”，从哪儿跌倒，从哪儿爬起 00:18:17 AI的小补丁，藏着多大的世界？ 00:25:25 AI的秘密，藏在打字的速度里 本期介绍的几篇论文： [LG] SOAP, Muon, and Beyond: Pushing LLM Pretraining Scales [NVIDIA] https://arxiv.org/abs/2607.20548 --- [LG] Windowed-MTP: Removing the Full-Context Draft-KV Tax at Million-Token Context [NVIDIA] https://arxiv.org/abs/2607.21535 --- [LG] Test-Time Scaling via Error Localization [Google DeepMind] https://arxiv.org/abs/2607.21453 --- [LG] How Many Bits Can an Adapter Write? Measuring the Capacity and Memorization of Parameter-Efficient Fine-Tuning [CMU & Columbia University] https://arxiv.org/abs/2607.21351 --- [LG] Leaky Language Models: Stealing Architecture and Inference Optimizations via Per-Token Timing [Purdue University & CMU] https://arxiv.org/abs/2607.20723

想知道一个AI如何活成一支队伍，用团队智慧解决难题吗？本期节目中，几篇最新论文将带我们看到，AI如何从“一抹黑”的画布进化到用“草稿图”高效创作，以及三个“专才”模型如何聪明地协作，打败一个“全能”巨无霸。我们还将揭秘AI“速读”万字长文的压缩秘诀，并最终教你看穿它那令人真假难辨的“迷之自信”。准备好，一起探索AI思考方式的底层变革吧！ 00:00:33 一个人，如何活成一支队伍 00:06:47 AI作画的新思路，从“一抹黑”到“草稿图” 00:11:43 为什么三个“笨”模型，能打败一个“聪明”模型？ 00:18:34 AI读长文章的“速读”秘诀 00:24:13 AI的“迷之自信”，我们该如何看穿？ 本期介绍的几篇论文： [AI] PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity [Google Cloud] https://arxiv.org/abs/2607.20268 --- [CL] Multi-Mask Diffusion Language Models for Few-Step Generation [ByteDance Seed] https://arxiv.org/abs/2607.19686 --- [LG] Auto-Fill: Learning to Predict Missing Values Accurately with Specialist Language Models [Microsoft Research & New York University] https://arxiv.org/abs/2607.19847 --- [AI] Spectral-LSH: Sub-Quadratic Prompt Compression via Krylov-Projected Locality-Sensitive Hashing [Islamic Azad University & Iran University of Science and Technology & Meta] https://arxiv.org/abs/2607.19368 --- [AI] Rethinking Uncertainty Evaluation in Large Language Models [CMU & Meta] https://arxiv.org/abs/2607.19367

你有没有想过，我们该如何驾驭一个越来越聪明的AI？本期我们将从几篇最新的论文出发，探讨一些极其巧妙的思路：我们不删除AI的危险知识，而是给它一把上了锁的“双刃剑”；我们不直接塞给AI答案，而是像“好私教”一样让它反思自己的功劳；我们甚至用古老的“学徒制”让普通模型超越名师，用一张“行动草图”就能指挥机器人干活；最后，我们会发现，解决最复杂的排序问题，有时只需换个更聪明的“提问方式”。准备好了吗？让我们一起看看这些闪耀着智慧之光的AI新思想。 00:00:40 给AI一把上了锁的“双刃剑” 00:05:00 如何给AI请一个“好私教”？ 00:10:01 AI世界的“学徒制”，如何把一个普通模型，训练成超级学霸？ 00:15:52 给机器人画一张“行动草图” 00:21:22 给机器排座次，换个聪明的问法 本期介绍的几篇论文： [LG] Mark, Don't Erase: Token Inoculation for Dual-Use Knowledge in LLMs [NAVER AI Lab] https://arxiv.org/abs/2607.18639 --- [LG] Off-Context GRPO: Learning to Reason on Hard Problems using Privileged Information [Meta AI] https://arxiv.org/abs/2607.19313 --- [CL] Search-on-Graph-R1: Training Large Language Models to Search Knowledge Graphs with Reinforcement Learning [Université de Montréal & McGill University] https://arxiv.org/abs/2607.18481 --- [CV] Masked Visual Actions for Unified World Modeling [Stanford University] https://arxiv.org/abs/2607.19343 --- [LG] Exposure-Based Reinforcement Learning to Rank [Google DeepMind & University of Amsterdam] https://arxiv.org/abs/2607.18689

你有没有想过，我们该如何教会AI那些没有标准答案的事？本期节目，我们将一起探讨几篇最新论文带来的奇妙思路：从把AI的“裁判”换成“教练”，到给机器人换上一副“高清眼镜”，再到为AI装上一个能自我更新的“智能错题本”；我们甚至会发现，让AI在“梦境”里胡思乱想，以及在它钻牛角尖时悄悄“推”它一把，或许才是通往更强人工智能的捷径。 00:00:30 AI进化论，别当裁判，请当教练 00:05:33 让机器人更灵巧，不一定要给它一个更大的脑子 00:10:51 如何给AI装上一个“智能错题本”？ 00:16:49 你的大脑不是硬盘，而是一座创意的梦工厂 00:22:02 给AI装个导航，让它少走冤枉路 本期介绍的几篇论文： [LG] LLM-as-a-Coach: Experiential Learning for Non-Verifiable Tasks [Microsoft Research] https://arxiv.org/abs/2607.18110 --- [RO] Patch Policy: Efficient Embodied Control via Dense Visual Representations [New York University] https://arxiv.org/abs/2607.18236 --- [AI] Fantastic Adaptive Taxonomies and How to Use Them [UC Berkeley] https://arxiv.org/abs/2607.16387 --- [LG] Discovery by Dreaming: Cross-Domain Recombination in Artificial Memory [University of Chicago & Stanford University] https://arxiv.org/abs/2607.16256 --- [LG] Can We Break LLMs Out of Self-Loops? Fine-Grained Reasoning Control with Activation Steering [UC San Diego & Adobe Research] https://arxiv.org/abs/2607.18100

你有没有想过，AI和我们人类一样，也需要一套“成长方法论”？本期节目，我们就来聊聊几篇最新论文揭示的AI高手修炼秘籍：它们不仅要纠结是先上“通识课”还是先搞“专才特训”，甚至连最简单的复制粘贴都做不好，需要通过“认知升维”来解决。我们还会发现，一本好的“工作手册”可能比模型本身更重要，而AI“脑补”世界的方式，竟然和我们的大脑惊人地相似。最后，我们会看到AI如何学会“把力气用在刀刃上”的做事智慧。 00:00:36 AI高手是怎样炼成的，通才教育还是专才特训？ 00:06:20 为什么顶尖模型连复制粘贴都做不好？ 00:11:11 比模型更重要的，可能是它的“工作手册” 00:16:31 你的大脑，如何看穿了AI的秘密？ 00:24:07 做事高手的方法论，如何把力气用在刀刃上？ 本期介绍的几篇论文： [LG] Understanding Reasoning from Pretraining to Post-Training [New York University] https://arxiv.org/abs/2607.16097 --- [CL] Frontier Language Models Struggle to Copy: Text Can Be Better Viewed in 2D [Tsinghua University] https://arxiv.org/abs/2607.16072 --- [LG] Recursive Harness Self-Improvement [Sakana AI & UC Berkeley] https://arxiv.org/abs/2607.15524 --- [AI] Toward a mechanistic understanding of inference in visual cortex and diffusion models [UC Berkeley] https://arxiv.org/abs/2607.15693 --- [CL] Process Reward Informed Tree Rollout for Effective Multi-Turn RL [UC San Diego & Amazon] https://arxiv.org/abs/2607.15610

今天我们要分享五篇极其有趣的最新论文，带你看看AI不仅学会了像人类一样“边思考边画画”并随时纠错，竟然还长出了带有偏见和私心的“小算盘”。此外，我们还要探究大模型总是“学了新知识就忘旧知识”的失联真相，并尝试给笨手笨脚的机器人戴上一副看懂物理空间的“母语眼镜”。最后，我们一起看看科学家如何通过“脑内推演”和“跨界对齐”，让机器人彻底告别“一根筋”。准备好刷新你对人工智能的认知了吗，我们马上出发！ 00:00:37 AI的新活法，一边思考，一边画画 00:05:56 你以为AI是中立的？其实它有自己的“小算盘” 00:11:41 给机器人换一副“母语”眼镜 00:17:44 给AI上课，为什么它学会了新知识，却忘了旧的？ 00:24:41 让机器人告别“一根筋” 本期介绍的几篇论文： [LG] Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes [Google] https://arxiv.org/abs/2607.13188 --- [LG] Value Leakage: An LLM's Answers Are Silently Shaped by Its Own Values [Truthful AI] https://arxiv.org/abs/2607.14345 --- [RO] See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models [KAIST AI] https://arxiv.org/abs/2607.11498 --- [CL] Can a Language Model Learn Facts Continually in Its Weights? [Baseten] https://arxiv.org/abs/2607.11020 --- [RO] Towards Predictive, Aligned, and Scalable Robot Learning [Astribot Team] https://arxiv.org/abs/2607.11270

今天这期节目，我们要聊五篇最新论文，它们从不同角度揭示了AI智能的本质。第一篇告诉我们，一万亿参数的模型在零强化学习下，居然自己"长"出了结构化思考、并行推理、甚至拟人化焦虑；第二篇发现，视频生成AI在多球碰撞这种简单物理任务上会崩盘，因为它的并行工作方式无法处理严格的因果链条；第三篇提出用"机械主义世界模型"让AI从预测者变成发现者，核心是学习可复用的解释机制而非死记硬背数据；第四篇揭示了一个可怕的"世界-行动漂移"攻击，机器人的"想象"和"行动"可以被恶意解耦，它想得对但做得错；第五篇则展示了如何让机器人真正"开窍"，关键是把语言规划和视觉想象融合成交织的思考序列。这五篇论文，构成了一幅关于AI认知边界与突破路径的完整拼图。 00:00:55 AI的“笨”功夫，当一万亿参数学会自己思考 00:07:37 为什么AI“想得越久”，反而越糊涂？ 00:12:47 为什么懂了那么多道理，还是过不好这一生？AI也一样 00:20:51 机器人“口是心非”，当它想得挺美，干得却不对 00:25:37 机器人怎么才算“开窍”了？它得会“脑补” 本期介绍的几篇论文： [CL] Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning [Renmin University of China & Ant Group] https://arxiv.org/abs/2607.12395 --- [LG] The Seriality Gap in Video Diffusion Models [UC Berkeley] https://arxiv.org/abs/2607.13031 --- [AI] From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [University of Oxford] https://arxiv.org/abs/2607.12474 --- [LG] BadWAM: When World-Action Models Dream Right but Act Wrong [National University of Singapore & The Hong Kong Polytechnic University] https://arxiv.org/abs/2607.15207 --- [RO] RxBrain: Embodied Cognition Foundation Model with Joint Language-Visual Reasoning and Imagination [Tencent Robotics X Team] https://arxiv.org/abs/2607.14187

你有没有想过，为什么机器人总是记不住自己干了什么？AI的“老师”会不会偷偷从网页评论区学习知识？今天，我们就来聊聊几篇最新论文带来的奇妙启发：我们将一起探索如何给机器人装上“好记性”，如何揪出AI知识里的“隐藏毒药”，并揭示让AI学会高效“差值学习”、拥有“一步到位”想象力，甚至打通“思考快车道”的秘密。 00:00:29 机器人笨手笨脚？可能只是记性不好 00:05:39 你的AI老师，可能正在偷看网页评论区 00:13:11 高手精进的秘密，不止是模仿，更是学“差值” 00:18:07 让机器人学会“一步到位”的想象力 00:23:37 AI思考的“快车道” 本期介绍的几篇论文： [RO] RoboTTT: Context Scaling for Robot Policies [NVIDIA] https://arxiv.org/abs/2607.15275 --- [CL] Pretraining Data Can Be Poisoned through Computational Propaganda [University of Washington] https://arxiv.org/abs/2607.15267 --- [LG] On-Policy Delta Distillation [NAVER AI Lab] https://arxiv.org/abs/2607.15161 --- [RO] DriftWorld: Fast World Modeling through Drifting [MIT & Harvard University] https://arxiv.org/abs/2607.15065 --- [CL] T²MLR: Transformer with Temporal Middle-Layer Recurrence [Princeton University] https://arxiv.org/abs/2607.15178

这一期，我们来聊一个特别有意思的话题：如何用“巧劲”让AI变得更聪明？我们不再堆砌算力，而是探讨五篇最新论文带来的精妙思路。你会听到，有时候，真正的突破来自于一次大胆的“做减法”；有时候，我们只需在AI和它的工具之间，增加一个聪明的“随身翻译”。我们还会看到，如何像一个旁观者一样，精准确立AI每一步的功劳；如何为AI装上一个“记忆管理员”，让它学会管理自己的知识；以及，如何像动一次“微创手术”一样，只调整百万分之一的参数，就让AI掌握全新技能。 00:00:45 让AI更聪明的秘密，竟然是做减法？ 00:05:54 你的AI编程助手，需要一个“随身翻译” 00:11:43 你的员工，99%的努力都白费了？ 00:18:03 高手比拼的，是对记忆的管理能力 00:23:08 给AI动个“小手术”，而不是“大换血” 本期介绍的几篇论文： [CL] GFlowRL: Scaling Distribution-Matching RL to Large Language Models [Microsoft Research] https://arxiv.org/abs/2607.13394 --- [LG] Generative Compilation: On-the-Fly Compiler Feedback as AI Generates Code [ETH Zurich & INSAIT and Sofia University & UC Berkeley] https://arxiv.org/abs/2607.13921 --- [LG] TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents [University of Wisconsin–Madison & Microsoft Research] https://arxiv.org/abs/2607.13988 --- [CL] Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [University of California Los Angeles] https://arxiv.org/abs/2607.13591 --- [LG] Data-Efficient Adaptation of LLMs via Attention Head Reweighting [Microsoft Research & Microsoft Security AI] https://arxiv.org/abs/2607.13425

这一期，我们来当一回AI的“监考官”和“心理医生”，看看怎么科学地判断AI是在“背课文”还是“会造句”。我们还会探究，当AI说自己“十拿九稳”时，它的自信是发自内心，还是纯属表演。更会揭示，为何总分稳定的模型，答案却可能因一句无关的“废话”就悄悄“叛变”。最后，从给地球装上“大脑”，到揭开我们“猜懂”外语的秘密，这些最新论文将刷新我们对智能的认知。 00:00:33 怎么知道AI“背课文”，而不是“会造句”？ 00:06:04 AI的“心里有底”，到底是怎么回事？ 00:14:01 AI大模型，总分没变，答案却悄悄“叛变”了 00:18:40 你的地球专属“大脑”，是怎么被训练出来的？ 00:25:22 我们其实都是半个翻译家 本期介绍的几篇论文： [LG] Extractable Memorization From First Principles [Stanford & Google Research & Google DeepMind] https://arxiv.org/abs/2607.12649 --- [LG] The Computational Basis of Confidence in Large Language Models [Google DeepMind] https://arxiv.org/abs/2607.12447 --- [CL] The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [Georgia Tech & Stanford University] https://arxiv.org/abs/2607.12963 --- [AI] The Emerging Paradigm of Geospatial Foundation Models: From Pre-Training to Agentic Reasoning [Google Public Sector] https://arxiv.org/abs/2607.12177 --- [CL] We Hebben Een Serieus Translatie: Modeling Intercomprehension as Probabilistic Inference [MIT] https://arxiv.org/abs/2607.12169

我们总说AI有知识，但你想过吗，AI的知识该如何称重、如何存储、又该如何溯源？更进一步，AI能否自我修炼、检查作业，它吃的“数据大餐”又藏着怎样的“秘密食谱”？今天，我们就从五篇最新的论文出发，一起探索AI知识世界的台前与幕后。 00:00:24 给AI模型称重，我们终于有了一杆新秤 00:06:34 AI的“记忆宫殿”是如何搭建的？ 00:11:56 AI的自我修炼，如何从“检查作业”中获得智慧 00:17:01 AI世界的“亲子鉴定”技术 00:22:37 AI的“隐藏食谱”，为什么数据配比比数量更重要？ 本期介绍的几篇论文： [LG] Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data [New York University & CMU] https://arxiv.org/abs/2607.11883 --- [LG] MLPs are Hebbians: Constructing Efficient Fact-Storing MLPs for Transformers [Stanford University] https://arxiv.org/abs/2607.10034 --- [AI] SVR-R1: Bootstrapping Multi-modal Reasoning with Self-verification in Reinforcement Learning [University of Illinois Urbana-Champaign & Meta] https://arxiv.org/abs/2607.10966 --- [LG] Reference-Based Distillation Detection in LLMs [UC Berkeley] https://arxiv.org/abs/2607.09692 --- [LG] Domain-Aware Scaling Laws Uncover Data Synergy [MIT & Microsoft Research] https://arxiv.org/abs/2607.11052