这一期，我们将一口气潜入五篇最新论文的智慧深海，看看AI的世界又发生了哪些奇妙的变化。我们会一起探索，“大力出奇迹”这个口号背后，那张描绘AI生长规律的神秘“DNA”图谱；学习一种最高效的“偷懒”智慧，看看AI如何通过“抄自己的作业”来惊人地提速；我们还会给AI的大脑装上一部“专属字典”，让它的知识不仅能被检索，还能被精准地“手术”修改；更会戴上CT眼镜，看看聪明的AI解难题时，究竟是在严密推理，还是在玩一场高维度的“猜谜游戏”；最后，我们将学习一种资源管理的艺术，看AI如何像一位聪明的项目经理，把“好钢”用在最关键的“刀刃”上。准备好了吗？让我们一起出发！ 00:00:50 AI升级指南，大力出奇迹背后有地图？ 00:06:50 为什么说，最高效的偷懒是“抄作业”？ 00:11:56 给AI的大脑装一个“专属字典” 00:16:39 你的AI在思考，还是在蒙答案？ 00:22:20 AI世界的“好钢”，怎么用在刀刃上？ 本期介绍的几篇论文： [LG] On the origin of neural scaling laws: from random graphs to natural language [Meta Superintelligence Lab & Axiom Math] https://arxiv.org/abs/2601.10684 --- [LG] Single-Stage Huffman Encoder for ML Compression [Google LLC] https://arxiv.org/abs/2601.10673 --- [LG] STEM: Scaling Transformers with Embedding Modules [Meta AI & CMU] https://arxiv.org/abs/2601.10639 --- [LG] Are Your Reasoning Models Reasoning or Guessing? A Mechanistic Analysis of Hierarchical Reasoning Models [Shanghai Qi Zhi Institute] https://arxiv.org/abs/2601.10679 --- [CL] TRIM: Hybrid Inference via Targeted Stepwise Routing in Multi-Step Reasoning Tasks [Amazon & CMU] https://arxiv.org/abs/2601.10245

这期我们来聊聊，怎样把一个AI从“通才”培养成“专才”，甚至让它学会不只是解决问题，而是先为自己打造一套“专属工具”？一个AI团队如何开“聪明会”，以及它怎样才能记住过去的经验，不再傻乎乎地重复劳动？最后，我们会看到一个大胆的设想：要是我们干脆给AI换一个来自“流体力学”的引擎，又会发生什么？让我们一起进入今天的前沿探索。 00:00:31 给你一个好苗子，怎么把它培养成翻译大师？ 00:05:23 别让聪明人开“笨蛋会” 00:12:07 你的时间，只够用在刀刃上 00:17:22 高手做事，都是先打造工具 00:22:37 给AI换个“流体力学”引擎，会发生什么？ 本期介绍的几篇论文： [CL] TranslateGemma Technical Report [Google Translate Research Team] https://arxiv.org/abs/2601.09012 --- [LG] Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [MIT & NYU & Microsoft] https://arxiv.org/abs/2601.09667 --- [LG] SRT: Accelerating Reinforcement Learning via Speculative Rollout with Tree-Structured Cache [Cornell University & University of Illinois Urbana-Champaign & University of Washington] https://arxiv.org/abs/2601.09083 --- [LG] Programming over Thinking: Efficient and Robust Multi-Constraint Planning [Nanyang Technological University & Agency for Science, Technology and Research (A*STAR)] https://arxiv.org/abs/2601.09097 --- [LG] Spectral Generative Flow Models: A Physics-Inspired Replacement for Vectorized Large Language Models [UC Berkeley] https://arxiv.org/abs/2601.08893

你有没有想过，AI要如何像高手一样，同时“试驾”多种思路？我们又该如何给狂飙的AI装上“定速巡航”，让它在学习时永不“翻车”？今天，我们就从几篇最新的AI论文出发，聊一聊AI要如何学会“分身术”思考，如何跳出“思维定式”的陷阱，甚至，我们以后可能再也不用费劲地给AI设定KPI，直接“说人话”就能让它们完美协作。准备好了吗？让我们一起探索AI思考方式的深层变革。 00:00:35 如何像高手一样思考？答案可能在“分身术”里 00:05:07 给狂飙的AI装上定速巡航 00:09:57 思维定式是怎么炼成的？AI给了我们一个新答案 00:15:23 怎么让AI大模型学会“左右互搏”？ 00:21:37 AI界的“KPI”革命，未来我们不用再跟机器打哑谜 本期介绍的几篇论文： [CL] Multiplex Thinking: Reasoning via Token-wise Branch-and-Merge [Microsoft Research & University of Pennsylvania] https://arxiv.org/abs/2601.08808 --- [LG] Controlled LLM Training on Spectral Sphere [Microsoft Research Asia & Renmin University] https://arxiv.org/abs/2601.08393 --- [LG] Rewarding the Rare: Uniqueness-Aware RL for Creative Problem Solving in LLMs [MIT & NUS] https://arxiv.org/abs/2601.08763 --- [LG] Reverse Flow Matching: A Unified Framework for Online Reinforcement Learning with Diffusion and Flow Policies [MIT] https://arxiv.org/abs/2601.08136 --- [LG] The End of Reward Engineering: How LLMs Are Redefining Multi-Agent Coordination [New York University & Lerna AI] https://arxiv.org/abs/2601.08237

你有没有想过，一个更聪明的AI，是应该更会“思考”，还是更会“偷懒”？最新论文告诉我们，让AI学会用“记忆”分担计算，反而能让它更专注于难题。当AI面对一本几十万字的小说时，它又是如何像我们一样“做笔记”，避免“七秒记忆”的？更有趣的是，如果把AI关进小黑屋，不给任何学习资料，它竟能通过“左右互搏”实现自我进化。最后，我们会深入AI的内心世界，看看它“一本正经胡说八道”时，脑子里究竟走了哪两条路，以及它那令人惊叹的“举一反三”，可能根本不是在学习，而是在“对答案”。 00:00:48 为什么“偷懒”的AI，反而更会思考？ 00:06:15 AI的“七秒记忆”，有救了？ 00:11:46 AI的“闭关修炼”，不喂数据，如何变强？ 00:16:53 AI为什么会“一本正经地胡说八道”？它的脑子里有两条路 00:22:20 别再说AI在“学习”了，它可能只是在“对答案” 本期介绍的几篇论文： [LG] Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models [DeepSeek-AI] https://arxiv.org/abs/2505.11080 --- [LG] Gecko: An Efficient Neural Architecture Inherently Processing Sequences with Arbitrary Lengths [University of Southern California & Meta AI Research] https://arxiv.org/abs/2601.06463 --- [LG] Dr. Zero: Self-Evolving Search Agents without Training Data [Meta Superintelligence Labs] https://arxiv.org/abs/2601.07055 --- [CL] Two Pathways to Truthfulness: On the Intrinsic Encoding of LLM Hallucinations [Peking University & Microsoft Research Asia] https://arxiv.org/abs/2601.07422 --- [LG] Filtering Beats Fine Tuning: A Bayesian Kalman View of In Context Learning in LLMs [UC Berkeley] https://arxiv.org/abs/2601.06100

本期我们来聊聊AI世界里那些“反直觉”的智慧：当AI不再给商品打分而是直接“写”出排名，当语音助手不再被粗暴地对答案而是被“手把手”教会思考，当“不完美”的数据反而能帮我们做出更好的决策，一场关于效率和认知的革命正在悄然发生。最新论文告诉我们，解决难题最好的方法，有时是换一个全新的玩法。 00:00:28 你看到的结果，是谁为你排的序？ 00:07:42 AI大模型背后，一场关于“搬家”的效率革命 00:13:08 你的语音助手，为什么一开口就变笨了？ 00:18:01 AI的“思考开关”，是个美丽的误会？ 00:23:25 别再等了！“不完美”的数据也能做出好决策 本期介绍的几篇论文： [IR] Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders [Google DeepMind & University of Massachusetts Amherst] https://arxiv.org/abs/2601.05588 --- [LG] MoEBlaze: Breaking the Memory Wall for Efficient MoE Training on Modern GPUs [Meta Platforms Inc] https://arxiv.org/abs/2601.05296 --- [CL] Closing the Modality Reasoning Gap for Speech Large Language Models [Microsoft Corporation & The Chinese University of Hong Kong] https://arxiv.org/abs/2601.05543 --- [LG] Do Sparse Autoencoders Identify Reasoning Features in Language Models? [UC Berkeley] https://arxiv.org/abs/2601.05679 --- [LG] Good Allocations from Bad Estimates [Stanford University & Max Planck Institute for Intelligent Systems, Tübingen] https://arxiv.org/abs/2601.05597

你有没有想过，我们能否打造一个既有“文科生”的灵活，又有“理科生”严谨的AI？当一群“偏科”的AI专家聚在一起，如何才能组建一支高效的“梦之队”？本期节目，我们将一口气为你解读几篇最新论文，看看科学家们是如何通过巧妙的流程设计，让AI学会“左右脑”分工、进行词级别的精细协作，甚至拥有主动管理记忆的“断舍离”能力。最后，我们还会揭秘一份顶尖科学家的“创新食谱”。准备好了吗？让我们一起探索AI进化背后的智慧。 00:00:38 AI的“左右脑”，如何让它既灵活又靠谱 00:06:27 AI也“偏科”？我们如何组建一个“梦之队” 00:11:25 AI当科学家，为什么还是个“学徒”？ 00:20:09 让AI学会“断舍离”，它才能真正进化 00:25:12 科学家的创新，原来是有“食谱”的 本期介绍的几篇论文： [LG] Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration [Warsaw University of Technology] https://arxiv.org/abs/2601.01609 --- [CL] Token-Level LLM Collaboration via FusionRoute [Meta AI] https://arxiv.org/abs/2601.05106 --- [LG] Why LLMs Aren't Scientists Yet: Lessons from Four Autonomous Research Attempts [Lossfunk] https://arxiv.org/abs/2601.03315 --- [CL] Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [Alibaba Group] https://arxiv.org/abs/2601.01885 --- [LG] Sci-Reasoning: A Dataset Decoding AI Innovation Patterns [Orchestra Research] https://arxiv.org/abs/2601.04577

你有没有想过，你每天使用的AI，可能正悄悄地把一整本《哈利波特》藏在“脑子”里？为了让AI变得更强，我们竟然要逼它和它所有的前辈“打群架”？本期节目，我们将一起揭开AI那些不为人知的“秘密”：从一个能让AI拥有完美记忆的“文件柜”，到一个既聪明又省钱的“免疫系统”，再到一场揪出AI“作弊考生”的全新考试。准备好了吗？让我们一起窥探AI大脑的奇妙内部。 00:00:32 你的AI，可能藏着一个图书馆 00:05:07 为什么说“盯住第一”是最大的陷阱？ 00:11:19 给AI安一个靠谱的“文件柜” 00:16:50 给AI装上一个“既聪明又省钱”的免疫系统 00:23:26 你的AI考了高分，但它真的看懂图了吗？ 本期介绍的几篇论文： [CL] Extracting books from production language models [Stanford University] https://arxiv.org/abs/2601.02671 --- [LG] Digital Red Queen: Adversarial Program Evolution in Core War with LLMs [MIT] https://arxiv.org/abs/2601.03335 --- [LG] Everything is Context: Agentic File System Abstraction for Context Engineering [University of New South Wales & ArcBlock, Inc & University of Tasmania] https://arxiv.org/abs/2512.05470 --- [LG] Constitutional Classifiers++: Efficient Production-Grade Defenses against Universal Jailbreaks [Anthropic] https://arxiv.org/abs/2601.04603 --- [LG] DatBench: Discriminative, Faithful, and Efficient VLM Evaluations [DatologyAI] https://arxiv.org/abs/2601.02316

我们总希望AI更像一个聪明的伙伴，而不是一个笨拙的机器。但怎样才算“聪明”？本期节目，我们将透过几篇最新的研究，一起窥探AI学习智慧的深层秘密。我们会聊到，AI如何像婴儿一样，在无声的世界里自己“悟”出万物的规律；又如何像个特工，在“聊天模式”和“任务模式”间无缝切换；我们还会探讨，如何用一把精妙的尺子，量出AI学到的究竟是“真本事”还是“假把式”，以及如何避免它在多重目标下“偏科”，甚至沦为一个只会讨好规则的“马屁精”。 00:00:39 AI学会了“无师自通”，世界将有什么不同？ 00:06:21 给AI装上一个“万能遥控器” 00:12:57 AI上课也分“顿悟”和“补课”？一把尺子量出它学到了多少真本事 00:19:54 AI“偏科”怎么办？谈谈多目标奖励的艺术 00:25:33 “好学生”与“马屁精”，AI如何学会做个人 本期介绍的几篇论文： [LG] Learning Latent Action World Models In The Wild [FAIR at Meta] https://arxiv.org/abs/2601.05230 --- [LG] XGrammar 2: Dynamic and Efficient Structured Generation Engine for Agentic LLMs [Shanghai Jiao Tong University & CMU] https://arxiv.org/abs/2601.04426 --- [LG] Excess Description Length of Learning Generalizable Predictors [UC Berkeley & Anthropic] https://arxiv.org/abs/2601.04728 --- [CL] GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization [NVIDIA] https://arxiv.org/abs/2601.05242 --- [CL] Learning to Simulate Human Dialogue [Stanford University] https://arxiv.org/abs/2601.04436

今天，我们将一同探寻，AI如何通过理解“点的流动”来获得物理直觉，又为何会掉进人类语言的“隐喻陷阱”。我们还会深入AI的大脑，看看它的知识是如何生长又被遗忘的，并学习一种给AI做“大脑针灸”的调教术，治好它的“固执病”。最后，我们将揭秘一项最新研究，看看AI是如何被教会用“道德”这把尺子，去读懂网络上的“阴阳怪气”的。 00:00:34 机器人如何获得“物理直觉”？ 00:05:05 你以为AI很理性？其实它活在比喻里 00:10:54 AI的大脑里，知识是怎么“长”出来又“丢”掉的？ 00:16:36 AI调教术，给模型做一次“大脑针灸” 00:22:42 教AI读懂“阴阳怪气”，靠的是什么？ 本期介绍的几篇论文： [RO] PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation [Stanford University & NVIDIA] https://arxiv.org/abs/2601.03782 --- [CL] Metaphors are a Source of Cross-Domain Misalignment of Large Reasoning Models [The University of New South Wales & CSIRO Data61] https://arxiv.org/abs/2601.03388 --- [CL] How Do Large Language Models Learn Concepts During Continual Pre-Training? [UC Davis & Virginia Tech & UCLA] https://arxiv.org/abs/2601.03570 --- [CL] ContextFocus: Activation Steering for Contextual Faithfulness in Large Language Models [Adobe Research, India] https://arxiv.org/abs/2601.04131 --- [CL] Self-Explaining Hate Speech Detection with Moral Rationales [University of São Paulo & University of Southern California & Saarland University] https://arxiv.org/abs/2601.03481

今天我们要聊一个特别有意思的话题：AI训练是不是一定要“大力出奇迹”？本期节目将通过几篇最新的论文，带你探索AI如何从海量数据中提炼出真正的“结构性知识”，如何像老师傅一样“边干边学”适应新环境，甚至如何靠一个“黄金样本”就打通任督二脉。我们将一起见证，AI正从一个埋头苦干的“莽夫”，进化成一个懂得“刻意练习”的聪明手艺人。 00:00:30 数据里，能“算”出新东西吗？ 00:07:38 让机器像人一样，边干边学 00:12:36 AI训练的省钱秘笈，一块显卡如何干出两块的活？ 00:19:27 AI进化的秘密，从“大力出奇迹”到“一招鲜吃遍天” 00:24:11 AI的“手艺”是怎么练成的？ 本期介绍的几篇论文： [LG] From Entropy to Epiplexity: Rethinking Information for Computationally Bounded Intelligence [CMU & New York University] https://arxiv.org/abs/2601.03220 --- [LG] In-Context Reinforcement Learning through Bayesian Fusion of Context and Value Prior [University of Cambridge & Mila - Quebec AI Institute] https://arxiv.org/abs/2601.03015 --- [LG] Chronicals: A High-Performance Framework for LLM Fine-Tuning with 3.51x Speedup over Unsloth [N/A] https://arxiv.org/abs/2601.02609 --- [LG] One Sample to Rule Them All: Extreme Data Efficiency in RL Scaling [GAIR & Taobao & Tmall Group of Alibaba] https://arxiv.org/abs/2601.03111 --- [LG] From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [University of Würzburg] https://arxiv.org/abs/2601.02997

你有没有想过，当AI不再是只会模仿的“鹦鹉”，它会如何为自己打造一张世界的“活地图”，甚至为万物创造出能自主思考的“数字分身”？最新论文揭示，AI正通过一系列奇妙的方法解决自己的“健忘症”与“数据饥荒”，甚至开始反思“堆料越多越糊涂”的怪圈。今天，我们就来聊聊AI是如何学会拥有“活地图”、创造“数字分身”、进行“模拟推理”，并最终实现自我“瘦身”的。 00:00:34 你的脑子里，是不是也有一张“活地图”？ 00:05:55 你我皆有“数字分身”，当AI为万物造“镜像” 00:12:23 你的常识可能被颠覆了，模仿来的思考，算不算思考？ 00:17:46 预测的难题，当AI遇上“数据饥荒” 00:24:46 AI大模型内卷，为什么堆料越多，脑子越糊涂？ 本期介绍的几篇论文： [LG] Flow Equivariant World Models: Memory for Partially Observed Dynamic Environments [Harvard University & CMU] https://arxiv.org/abs/2601.01075 --- [AI] Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models [Lehigh University & University of Maryland & University of New South Wales] https://arxiv.org/abs/2601.01321 --- [CL] Simulated Reasoning is Reasoning [RWTH Aachen University & CMU] https://arxiv.org/abs/2601.02043 --- [LG] Zero-shot Forecasting by Simulation Alone [Amazon] https://arxiv.org/abs/2601.00970 --- [LG] Geometric and Dynamic Scaling in Deep Transformers [New York University & Stony Brook University] https://arxiv.org/abs/2601.01014

本期节目，我们将深入AI的“引擎盖”之下，看看那些看不见的结构如何决定一切。你会听到，为何区区2%的数据就能决定翻译能力的生死；AI如何像侦探一样，为复杂问题画出“破案地图”；以及在看似无害的模型拼接中，如何暗藏着难以察觉的“木马”后门。准备好了吗？让我们一起探索这些最新论文背后，令人拍案叫绝的智慧。 00:00:31 AI翻译的秘密，2%的数据，50%的能力 00:05:35 你以为的“搜索”，正在被重新发明 00:13:00 为什么你的“笨办法”，却是AI的“开窍”法？ 00:18:16 AI大厨做菜重复？换一种“盐”试试 00:23:43 AI世界的“乐高”游戏，藏着一个你没想到的“后门” 本期介绍的几篇论文： [CL] The Role of Mixed-Language Documents for Multilingual Large Language Model Pretraining [University College London & Nanyang Technological University & University of Waterloo] https://arxiv.org/abs/2601.00364 --- [CL] Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends [University of Pittsburgh & Google Cloud AI Research] https://arxiv.org/abs/2601.00536 --- [LG] Deep Networks Learn Deep Hierarchical Models [Hebrew University of Jerusalem] https://arxiv.org/abs/2601.00455 --- [CV] It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models [UC Berkeley & University of Tübingen] https://arxiv.org/abs/2601.00090 --- [LG] The Trojan in the Vocabulary: Stealthy Sabotage of LLM Composition [Purdue University & CMU] https://arxiv.org/abs/2601.00065