AI可可AI生活

你有没有想过，如何让AI变得更聪明，甚至比它的老师还强？本期节目，我们将一起探索几篇最新论文带来的奇妙思路：从给AI请一位“混搭私教”，到为它建造一座“思想角斗场”进行团队作战。我们还会潜入AI的“梦境”，看看它如何复盘过去、预演未来，并顺便弄清楚它为什么有时会突然变成“复读机”。准备好了吗？让我们一起看看，这些研究如何从根源上提升AI解决复杂问题的能力。
00:00:35 给AI模型请个“混搭”私教
00:06:14 如何看见你看不到的数据？
00:11:56 AI 的“梦境”，如何用过去预演未来
00:18:07 AI科学家的工作法，像罗马人一样建角斗场
00:24:48 AI为啥会变成“复读机”？
本期介绍的几篇论文：
[AI] Lightning Weave: Improving the Accuracy-Efficiency Frontier of Reasoning Models through Capability Composition
[MIT & NVIDIA]
https://arxiv.org/abs/2609.14708
---
[LG] Synthetic Nearest Neighbors: Extending Synthetic Controls for Matrix Completion with Missing Not at Random Data
[Columbia University & MIT]
https://arxiv.org/abs/2609.13586
---
[CL] Dream-RSI: Recursive Self-Improvement through Evolving Worlds
[Google]
https://arxiv.org/abs/2609.1485
---
[AI] Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science
[Google Research]
https://arxiv.org/abs/2609.15983
---
[CL] Mirror, Mirror on the Wall: Prompt Echoing in Small Instruct Language Models
[Warsaw University of Technology]
https://arxiv.org/abs/2609.15045

在小宇宙查看该单集文稿

今天，我们要深入AI的“大脑”，看看它是如何真正学会“思考”的。我们会探讨，是给AI请个“陪练”逐步放手，还是给它一张“地图”指引全局更有效？我们还会见证一场AI学习的“龟兔赛跑”，看看“快功夫”和“慢功夫”哪个更有前途。最后，我们将一起揭开AI如何从死记硬背走向融会贯通，以及我们该如何科学地看待它的“成绩单”。五篇最新论文，带你洞悉AI学习的底层智慧。
00:00:34 给AI请个“陪练”，然后悄悄撤走
00:04:54 AI干活，为什么喂给它地图比喂给它字典更管用？
00:10:35 AI的快功夫与慢功夫
00:16:03 AI对齐，一份被误解的成绩单
00:20:42 AI怎么才能“活”起来，从死记硬背到融会贯通
本期介绍的几篇论文：
[LG] CanvasAnneal：Curriculum Reinforcement Learning for Diffusion Language Models
[Google DeepMind]
https://arxiv.org/abs/2609.13060
---
[AI] Beyond Vector Similarity：Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration
[Google Cloud]
https://arxiv.org/abs/2609.12464
---
[CL] Breaking the Token Ceiling：Distilling Smaller， Stronger Byte Models
[Meta FAIR & University of Washington, Seattle]
https://arxiv.org/abs/2609.12303
---
[LG] Distortion of AI Alignment Revisited：RLHF is a Decent Utilitarian Aligner
[UC Berkeley]
https://arxiv.org/abs/2609.12651
---
[AI] Hierarchical Prototype Emergence in Modern Hopfield Models
[Stanford University]
https://arxiv.org/abs/2609.12079

在小宇宙查看该单集文稿

你有没有想过，一群“健忘”的AI如何自发形成群体智慧？我们又该如何为AI量身定做一套“习题集”，培养出“四两拨千斤”的编程高手？本期节目，我们将一起探究几篇最新论文，看看科学家是如何通过“画地图”式的新方法进行信息检索，如何给AI做“信念体检”来判断它是否言行一致，以及如何引导AI从一团乱麻的“噪点”中走出清晰的思考路径。准备好，让我们一起解码AI思考与学习的底层智慧！
00:00:36 AI界的“四两拨千斤”，如何养出一个小个子编程高手？
00:05:48 AI的群体智慧，一个动作解释所有
00:11:12 信息检索的内功，从存照片到画地图
00:17:19 AI有“信念”吗？一张体检表告诉你答案
00:22:42 从一团乱麻到清晰答案的思考路径
本期介绍的几篇论文：
[AI] FrogNano: Training a 4B Coding Agent via Online Task Synthesis
[Froggy Team – Microsoft Research Montréal]
https://arxiv.org/abs/2609.07925
---
[CL] Copying explains the collective behavior of AI agents in the wild
[University of Konstanz & Intesa Sanpaolo]
https://arxiv.org/abs/2609.09150
---
[IR] Generative Late-Interaction Embeddings For Visual Document Retrieval
[King Abdullah University of Science and Technology (KAUST)]
https://arxiv.org/abs/2609.11808
---
[AI] Beliefs and Behavior in Language Models
[Toulouse School of Economics & CMU]
https://arxiv.org/abs/2609.07943
---
[LG] Thinking with Looped Flows
[EPFL & KAIST & University of Amsterdam]
https://arxiv.org/abs/2609.11801

在小宇宙查看该单集文稿

你有没有想过，AI天才也需要“岗前培训”才能上岗？本期我们将从几篇最新论文出发，揭秘如何为AI搭建高效的“培训工厂”，并探索如何教AI学会“做事的方法论”，而不仅仅是“堆知识”。我们还会聊聊一个有趣的问题：AI会为了讨好你而放弃原则、变成一个“老好人”吗？最后，我们将从一个全新的角度，看看合作的本质，也许就藏在最底层的成本计算里。
00:00:32 AI天才出厂后，谁给它做“岗前培训”？
00:06:42 如何让AI的“学徒”跟上“大师”的脚步
00:11:35 AI的进化，从“知道什么”到“该做什么”
00:17:26 为什么AI会变成一个“老好人”？
00:22:03 合作的秘密，藏在成本里
本期介绍的几篇论文：
[LG] Miles v0.1: Production-Level Post-Training
[RadixArk]
https://arxiv.org/abs/2609.08368
---
[LG] Online Draft Co-Training for Speculative Decoding in Large-Scale, Long-Context RL Post-Training
[NVIDIA]
https://arxiv.org/abs/2609.07108
---
[AI] Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
[Google]
https://arxiv.org/abs/2609.09153
---
[CL] Measuring LLM Sycophancy under Sustained Multi-Turn Pressure
[Texas A&M University & University of Cincinnati]
https://arxiv.org/abs/2609.09090
---
[AI] Tapes Together Strong: The Co-evolution of Computation and Cooperation
[Google]
https://arxiv.org/abs/2609.10817

在小宇宙查看该单集文稿

AI如何才能学会自我进化，最终成为自己的师傅？为什么解决顶级难题要靠“AI专家团”，而不是一个超级大脑？本期节目，我们将从几篇最新论文出发，探讨AI如何从别人的失败中汲取智慧，看懂“剩饭”为何难倒英雄汉，并理解“看得懂”与“会动手”之间那道巨大的鸿沟。
00:00:26 那个“笨”徒弟，正在悄悄学会自己当师傅
00:07:02 AI解题的秘密，不是一个大脑，而是一套系统
00:11:44 AI的“偏食症”，为什么聪明的模型更讨厌“剩饭”？
00:17:21 人工智能看得懂，但不会干
00:21:56 如何变得更聪明？答案是，多看看笨蛋是怎么想的
本期介绍的几篇论文：
[LG] The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
[Shanghai Jiao Tong University]
https://arxiv.org/abs/2609.11873
---
[AI] An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics
[NVIDIA]
https://arxiv.org/abs/2609.10712
---
[LG] Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data
[Stanford University]
https://arxiv.org/abs/2609.11917
---
[AI] MindTopo: Can Foundation Models Reason in Topological Space?
[Northwestern University]
https://arxiv.org/abs/2609.11900
---
[CL] Negative Self-Distillation: Learning to Reason by Avoiding Flaws
[University of Virginia]
https://arxiv.org/abs/2609.11699

在小宇宙查看该单集文稿