AI可可AI生活

今天我们要拆解五篇带来颠覆性认知的最新论文：看AI如何学会把“做事与管事”彻底分开，如何靠一把“记忆橡皮擦”主动清理过载大脑；又是怎样用“窗口缓存”少折腾提速、在作画半路“实时纠偏”，甚至敢于拒绝“正确废话”只听关键反馈。这些AI前沿技术的破局之道，其实也是我们在复杂世界里最高级的成事密码，让我们马上开启探索！
00:00:30 为什么给AI更多时间，它反而搞砸了？揭示“做事”与“管事”的本质区别
00:03:57 你以为大模型缺的是脑容量，其实它缺的是一块“橡皮擦”
00:07:26 让AI跑得快又不出错，秘密竟然是“少折腾”？
00:13:40 做事的终极心法，别等交卷才审题，要在半路就纠偏
00:18:08 为什么“全盘接受建议”反而会让人变平庸？
本期介绍的几篇论文：
[AI] Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
[Meta Superintelligence Labs]
https://arxiv.org/abs/2609.38147
---
[AI] Context Language Models
[University of Washington & MIT]
https://arxiv.org/abs/2609.37725
---
[LG] LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization
[UC Berkeley & University of Washington & MIT]
https://arxiv.org/abs/2609.38166
---
[CV] PreviewDiff: Multimodal Critic-Guided Search over Diffusion Latents
[Google Cloud AI Research & MIT CSAIL]
https://arxiv.org/abs/2609.36199
---
[AI] AdviSD: Learning to Advise Frontier LLMs via Targeted Multi-Turn Self-Distillation
[Google]
https://arxiv.org/abs/2609.38142

在小宇宙查看该单集文稿

现在的AI到底是有了灵魂，还是在一边装聪明一边死记硬背？本期我们精选了5篇最新论文，带你顺着五层阶梯拆解机器意识的虚实，围观大模型在“复读机”与“思想者”之间的疯狂横跳。你还将看到AI如何打破距离限制找回超长记忆、为何单靠“写反思日记”就能脱胎换骨，以及如何用数学快照终结训练作弊。准备好了吗？让我们一起拆解这些前沿技术背后的思维密码与生命哲学！
00:00:33 别被AI的演技骗了，但也别低估了它的灵魂，揭开机器意识的五重底牌
00:06:44 你的大脑是在“真思考”，还是在“装聪明”？AI大模型的学习秘辛告诉我们答案
00:11:35 距离不再是遗忘的借口，AI是如何跨越空间找回记忆的？
00:16:07 真正的高手，都是“解释”的大师，，AI教给普通人的精进奇招
00:21:20 怎样证明你没作弊？一场重塑“信任”的算法革命
本期介绍的几篇论文：
[AI] From cacophony to hierarchy: a principled framework for assessing AI consciousness
[Google DeepMind]
https://arxiv.org/abs/2609.3561
---
[CL] Generalization Dynamics of LM Pre-training
[UC Berkeley & Stanford University]
https://arxiv.org/abs/2609.33150
---
[CL] RoPE is Dead, Long Live RoPE: Towards Scalable Data-aware Positional Encodings
[Meta AI & Université Paris-Saclay]
https://arxiv.org/abs/2609.34556
---
[AI] Shockingly Simple Self-retrospection Improves Agentic Models Without RL
[RPI & UC San Diego & KAIST]
https://arxiv.org/abs/2609.35741
---
[LG] Training Witnesses: Trusting the Training without Trusting the Trainer
[Stanford University & New York University]
https://arxiv.org/abs/2609.33915

在小宇宙查看该单集文稿

今天我们要拆解的五篇最新论文，正在彻底颠覆关于大模型与效率的默认规则：从打破行业惯例、把模型变窄的“沙漏架构”，到允许瑕疵反而超越上限的“导师制解码”；从靠翻看“历史错题本”避免原地打转的黑盒学习，到自我修剪冗余的“递归进化”，以及在宏观与底层之间自由穿梭的“抽象阶梯”。这不仅是一次硬核技术的减负提速之旅，更是一份藏在代码算法里、人人皆可借用的自我迭代指南。
00:00:35 别被“行业惯例”限制了想象，把沙漏倒过来，世界就顺畅了
00:04:46 放下对完美的死磕，为什么“允许瑕疵”反而能成就更好？
00:09:48 让你突飞猛进的秘密，往往藏在被遗忘的“旧账”里
00:13:41 如何打破成长的天花板？这篇AI前沿论文藏着一套“自我进化”的破局心法
00:18:05 做人做事，要学会在“抽象的阶梯”上自由上下
本期介绍的几篇论文：
[CL] Revisiting the Shape Convention of Transformer Language Models
[MediaTek Research]
https://arxiv.org/abs/2602.06471
---
[LG] Mentored Decoding: Faster Inference meets Boosting
[Google]
https://arxiv.org/abs/2609.30474
---
[CL] Persistent Negatives for Adversarial Black-Box On-Policy Distillation
[Meta AI]
https://arxiv.org/abs/2609.3086
---
[CL] Recursive Self-Improvement via On-Policy Distillation for Reasoning
[Meta AI]
https://arxiv.org/abs/2609.3065
---
[AI] Up and Down the Abstraction Ladder: Code-Based Skills for Language Agents
[University of Warsaw & Princeton University & IDEAS NCBR]
https://arxiv.org/abs/2609.3107

在小宇宙查看该单集文稿

今天我们将通过5篇最新论文，带你穿透大模型的繁华表象，看看那些反直觉的技术真相：从靠行文“骨相”98%精准揪出AI生成的商业套路，到用前后台分工机制让大模型长文本记忆学会优雅“偷懒”。我们还会聊聊为什么百倍价差的大小模型都会在人类的“人情潜规则”面前集体翻车，以及多智能体流水线里那些滚雪球般吃掉算力的“记忆注入隐形成本”。最后，当一个不懂职场边界的“主动型AI同事”直接空降进你的工作群，又将如何颠覆我们对人机协作的认知？准备好，让我们一起读透技术盲区，找回人类在智能时代独一无二的稀缺价值！
00:00:46 为什么AI写不出真正的“人话”？一场关于文章“骨相”的底层破解
00:05:46 AI的“记忆减负”术，为什么最高效的系统，都懂得巧妙地“偷懒”？
00:10:14 为什么最聪明的AI，也读不懂人类的“潜规则”？
00:14:57 为什么越努力的AI“打工人”，越容易让你在不知不觉中“破产”？
00:19:44 你的下一个好同事，可能根本不是人，带你读懂AI协作的底层真相
本期介绍的几篇论文：
[CL] SlopShape: Identifying AI-Generated Commercial Web Content
[J Madler / Sitefire]
https://arxiv.org/abs/2609.15369
---
[CL] HySparse2: Hybrid Sparse Attention with Two-Level KV Sharing
[J Wei, Y Gao, Q Zhang, S Chen… / LLM-Core Xiaomi]
https://arxiv.org/abs/2609.26368
---
[CL] JEV vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places
[D Rao, C Callison-Burch / University of Pennsylvania]
https://arxiv.org/abs/2609.29769
---
[AI] Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows
[V K Singh, P Priyam, G Bhowmick]
https://arxiv.org/abs/2609.2379
---
[AI] Working with Agentic 'Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work
[R Qadri, R Denton, M Madaio, M Pushkarna,… / Google Research & Google DeepMind]
https://arxiv.org/abs/2609.29901

在小宇宙查看该单集文稿

今天的几篇最新论文，将带你见证AI如何从“死记硬背的做题家”蜕变成“讲究体面的真正高手”。我们首先会看到AI如何在严苛的防作弊机制下逼出真实的自我进化，又如何向人类借取经验技能包、学会做事讲规矩；紧接着，两篇硬核的最新论文将展示最聪明的减法：通过外挂记忆字典给昂贵算力降载，以及仅用1%的高信噪比反馈超越100%的全量穷忙；最后，我们还将解锁一套不需要窥探个人隐私、仅凭宏观数据就能精准预判群体未来走向的动力学模型，为你奉上一场前沿技术与认知进阶的双重盛宴！
00:00:44 摆脱“题海战术”，人工智能教给普通人的自我进化法则
00:06:07 别只教AI“做对”，还要教它“讲究”
00:10:57 聪明人的“算计”，从AI学会恰当偷懒，看我们如何省下最贵的心智成本
00:15:22 为什么1%的努力胜过100%的穷忙？从AI的“极简学习法”说起
00:20:00 捕捉水流的形状，我们如何预测一个群体的未来？
本期介绍的几篇论文：
[LG] MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
[LLM-Core Xiaomi]
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf
---
[LG] Reinforcing Agents with Collective Skills
[NVIDIA]
https://github.com/NVlabs/Skill2Env/blob/main/paper/Skill2Env_arXiv.pdf
---
[LG] Memory Attention
[J Kang]
https://arxiv.org/abs/2609.28399
---
[LG] 1% of Tokens Can Be Enough: On Gradient Estimation in On-Policy Distillation
[H Sheng, Z Ye, H Wang, J Wang… (MBZUAI & Ant Group)]
https://arxiv.org/abs/2609.24432
---
[LG] Learning Collective Dynamics with Differentiable Gaussian Representations
[J Ma, M Zhang, X Yang, Y Gao… (OranAI & Northeastern University)]
https://arxiv.org/abs/2609.28405

在小宇宙查看该单集文稿