AI可可AI生活

你有没有想过，AI在考试中拿高分，靠的究竟是真聪明还是“题海战术”？面对海量信息，AI如何练就像人类一样“速读”和“精读”的本领？为了变得更安全，AI甚至学会了“左右互搏”的自我攻防演练。最新论文还告诉我们，AI不仅能把你的声音“调制”成一杯思想的鸡尾酒，甚至在组队时，也在纠结是找“自己人”还是“局外人”。这期节目，我们就来聊聊AI世界里这些有趣又深刻的进化法则。
00:00:34 AI大模型的高分秘诀，竟然是“题海战术”？
00:06:58 AI的“失忆症”，终于有解药了？
00:12:55 想造最强的盾，得先造最强的矛
00:18:53 你的声音，AI要怎么“翻译”成思想？
00:24:03 AI组队，应该找“自己人”还是“局外人”？
本期介绍的几篇论文：
[CL] Post-training is (Massive) Supervised Learning
[Meta AI & The Hebrew University of Jerusalem]
https://arxiv.org/abs/2606.07527
---
[CL] End-to-End Context Compression at Scale
[New York University & University of Maryland & Princeton University]
https://arxiv.org/abs/2606.09659
---
[CL] Learning to Attack and Defend: Adaptive Red Teaming of Language Models via GRPO
[Microsoft AI Red Team]
https://arxiv.org/abs/2606.09701
---
[CL] Is Text All You Need? Text as a Universal Information Bottleneck for Speech LLMs
[Microsoft Research & Microsoft Research Asia & The Chinese University of Hong Kong]
https://arxiv.org/abs/2606.09366
---
[CL] Representational Similarity and Model Behavior in Multi-Agent Interaction
[UC Berkeley & The University of Chicago]
https://arxiv.org/abs/2606.07818

在小宇宙查看该单集文稿

你有没有想过，AI不仅会犯错，犯错时还分“执迷不悟”和“一路迷茫”两种性格？我们想给AI“开小灶”教点新东西，最有效的方法竟然是发出比主信号弱一千倍的“悄悄话”。本期节目，我们将一起钻进AI的大脑，看看它是如何通过“搭便车”学坏，如何被装上一个“精打细算”的省钱脑子，以及我们该如何用几何“画圈”的方式，真正看懂它的所思所想。准备好了吗？让我们马上出发！
00:00:34 AI“学坏”，竟然是因为一个“搭便车”的坏习惯？
00:06:26 AI犯错，也分“执迷不悟”和“一路迷茫”？
00:10:44 AI进阶的艺术，如何给它开个“小灶”？
00:16:15 给AI装一个“省钱”的脑子
00:22:22 AI的“脑补”和我们的“理解”，中间差了什么？
本期介绍的几篇论文：
[CL] The Piggyback Hypothesis of Generalization: Explaining and Mitigating Emergent Misalignment
[Northeastern University & Stanford University]
https://arxiv.org/abs/2606.06667
---
[CL] How Language Models Fail: Token-Level Signatures of Committed and Persistent Reasoning Failures
[Stanford University]
https://arxiv.org/abs/2606.06635
---
[LG] TALAN: Task-Aligned Latent Adaptation Networks for Targeted Post-Training of Large Language Models
[Meta AI]
https://arxiv.org/abs/2606.06902
---
[LG] Towards Tight Bounds for Streaming Attention
[MIT]
https://arxiv.org/abs/2606.07205
---
[LG] A Geometric View for Understanding Concept Learning and Neuron Interpretation in Sparse Autoencoders
[University of Washington]
https://arxiv.org/abs/2606.07007

在小宇宙查看该单集文稿

你有没有想过，一个真正聪明的AI，应该是什么样的？本期节目，我们将从几篇最新的论文出发，揭示AI正在发生的深刻变革。我们将一起探讨，AI如何学会像高情商的人一样，在对话中“察言观色”；如何像顶尖专家一样，拥有一个“智能助理”来拆解复杂任务；以及如何像高手一样建立“复盘”机制，实现持续的自我进化。更有趣的是，我们还会看到AI如何模仿人眼，学会“选择性失明”来提升效率，以及我们如何用“佛跳墙”级的难题，去考验它是否真的学会了思考。准备好了吗？让我们一起看看，AI是如何从一个“聪明的工具”，进化为一个“智慧的伙伴”的。
00:00:46 AI的下一场革命，从“听懂”到“会听”
00:06:22 为什么聪明的AI也需要一个好助理？
00:11:37 你的“最强外挂”，如何像高手一样持续进化？
00:17:44 如何让AI像顶尖高手一样思考？
00:23:15 智能摄像头，该省的地方必须省
本期介绍的几篇论文：
[AS] Audio Interaction Model
[NTU & NUS]
https://arxiv.org/abs/2606.05121
---
[LG] Harness-1: Reinforcement Learning for Search Agents with State-Externalizing Harnesses
[University of Illinois at Urbana-Champaign & UC Berkeley]
https://arxiv.org/abs/2606.02373
---
[LG] MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery
[Shanghai Artificial Intelligence Laboratory]
https://arxiv.org/abs/2606.06473
---
[LG] Hedge-Bench: Benchmarking Agents on Hard, Realistic Tasks Pertaining to Financial Reasoning
[Trata & Brigham Young University]
https://arxiv.org/abs/2606.03918
---
[CV] Policy-based Foveated Imaging and Perception
[Stanford University]
https://arxiv.org/abs/2606.02565

在小宇宙查看该单集文稿

你有没有想过，当AI把全世界的书都“读完”了，它该如何变得更聪明？本期节目，我们将从五篇最新论文出发，揭晓AI的奇妙“进阶之路”：看它如何成为自己的老师，如何亲手绘制新的科学地图，甚至在资源耗尽时组建一支“虚拟专家团”，最终实现从速度到创造力的终极飞跃！
00:00:25 AI训练的内卷，自己监督自己
00:05:23 AI科学家的新玩法，发现，原来是升级地图
00:11:26 当数据喂到头，聪明的大脑该怎么练？
00:17:15 机器人教练的终极难题，如何凭空造师傅？
00:23:25 从“一步到位”到“条条大路通罗马”，AI生成的新思路
本期介绍的几篇论文：
[LG] Self-Distilled Policy Gradient
[University of California, Los Angeles & Princeton University]
https://arxiv.org/abs/2606.04036
---
[LG] Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence
[MIT]
https://arxiv.org/abs/2606.01444
---
[LG] q0: Primitives for Hyper-Epoch Pretraining
[Q Labs & Princeton University]
https://arxiv.org/abs/2606.03938
---
[RO] GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors
[NVIDIA]
https://arxiv.org/abs/2606.05160
---
[LG] Strong Stochastic Flow Maps
[University of Bath & AITHYRA]
https://arxiv.org/abs/2606.01086

在小宇宙查看该单集文稿

你有没有想过，AI在长篇大论时，如何避免“每写一字就重读全书”的笨办法？我们又该如何教会AI像高手一样，先画好跑道再冲刺，而不是把所有规矩搅成一锅粥？本期节目，我们将揭秘几篇最新论文中的精妙巧思：从只“聪明”一次的共享索引，到为模型“正骨”提升训练速度，再到探索AI用“大脑”而非“嘴巴”进行潜意识思考的全新可能。让我们一起看看，AI是如何在内部进行一场深刻的“流程革命”的。
00:00:35 AI的长思考难题，如何只聪明一次？
00:05:13 用更慢的网线，如何训练出更强的AI？
00:10:20 给AI模型做“正骨”，一个让训练提速2倍的巧思
00:15:05 先画好跑道，再谈百米冲刺
00:20:31 大模型思考，用嘴还是用脑？
本期介绍的几篇论文：
[CL] You Only Index Once: Cross-Layer Sparse Attention with Shared Routing
[Microsoft Research]
https://arxiv.org/abs/2606.06467
---
[LG] Learned Subspace Compression for Communication-Efficient Pipeline Parallelism
[Concordia University & Sorbonne University]
https://arxiv.org/abs/2606.05484
---
[LG] PC Layer: Polynomial Weight Preconditioning for Improving LLM Pre-Training
[The Chinese University of Hong Kong & Google LLC]
https://arxiv.org/abs/2606.06470
---
[LG] Multi-ResNets for Subspace Preconditioning in Constrained Optimization
[UCLA & University of Oxford & Stanford University]
https://arxiv.org/abs/2606.06300
---
[CL] Latent Reasoning with Normalizing Flows
[University of Pennsylvania]
https://arxiv.org/abs/2606.06447

在小宇宙查看该单集文稿