AI可可AI生活

你有没有想过，如何才能既给一个天才足够的自由，又不让他彻底“跑偏”？怎样才能把好莱坞的特效团队，压缩进我们自己的电脑？最新的一系列论文，就在用代码回答这些充满哲思的问题。这一期，我们将看到AI如何从“翻译腔”进化到“原生思考”，如何从“看着像”进化到像素级的“一模一样”，甚至，我们将一起见证，一个普通的AI如何被一步步调教成解题思路长达十几万字的“奥数金牌选手”。准备好了吗？让我们一起潜入AI智慧的深海。
00:00:36 给天才松绑，好过把他变成庸才
00:06:57 把好莱坞的特效团队，装进你的电脑
00:12:40 别再搭积木了，请直接“思考”
00:18:13 AI造物，如何从“看着像”到“一模一样”？
00:23:27 如何把一个普通AI，调教成奥数金牌选手？
本期介绍的几篇论文：
[LG] Sub-JEPA: Subspace Gaussian Regularization for Stable End-to-End World Models
[Shanghai University]
https://arxiv.org/abs/2605.09241
---
[CV] SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer
[NVIDIA]
https://arxiv.org/abs/2605.15178
---
[CV] SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture
[sensenova]
https://arxiv.org/abs/2605.12500
---
[CV] Pixal3D: Pixel-Aligned 3D Generation from Images
[Tsinghua University & Tencent ARC Lab]
https://arxiv.org/abs/2605.10922
---
[CL] Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling
[Shanghai AI Laboratory]
https://arxiv.org/abs/2605.13301

你有没有想过，AI如何像我们一样，在反复试错后找到“刚刚好”的平衡点？这一期，我们就从几篇最新的AI论文出发，聊聊AI的“智慧进化”：看它如何学会给自己配备一个“后悔调节器”来动态调整策略，如何通过带“复盘笔记”的刻意练习，从沟通“小白”进化成“流程大师”，以及如何像拼乐高一样，用聪明的设计给自己“瘦身”，最终实现速度与质量的完美飞跃。
00:00:31 做对选择，你需要一个“后悔调节器”
00:05:28 AI 进化论，如何让一个聪明的“员工”，听懂“人话”？
00:11:15 面对海量选择，我们如何做出“刚刚好”的聪明决策？
00:19:09 AI作画提速的秘密，多看一步，不止平均
00:24:26 神经网络的大瘦身，为什么聪明的设计胜过蛮力计算？
本期介绍的几篇论文：
[LG] Efficient Online Conformal Selection with Limited Feedback
[Google Research & Duke University]
https://arxiv.org/abs/2605.14953
---
[LG] Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience
[Google Research]
https://arxiv.org/abs/2605.14443
---
[LG] Stochastic Matching via Local Sparsification
[Google Research]
https://arxiv.org/abs/2605.14195
---
[LG] Covariance-aware sampling for Diffusion Models
[Google]
https://arxiv.org/abs/2605.13910
---
[LG] Compositional Sparsity as an Inductive Bias for Neural Architecture Design
[University College London]
https://arxiv.org/abs/2605.14764

你有没有想过，AI写文章不靠“串珠子”，而是像雕塑家一样从混沌中“凿”出杰作？为什么把两个最先进的技术组合，反而会得到一个最差的结果？本期节目，我们将一起探讨几篇最新论文，看看AI如何像一个聪明的团队，在网上冲浪却不“学坏”；如何在与人类“上有政策，下有对策”的博弈中保持学习能力；以及它如何像一个决策守门员，把宝贵的精力只花在最值得的探索上。
00:00:32 AI写作新思路，像雕塑家一样“凿”出好文章
00:05:19 AI的“阅读”困境，该读字，还是读字母？
00:11:41 你的“最强大脑”，差的不是智商，而是搜索方法
00:17:05 AI时代的“上有政策，下有对策”
00:22:37 决策的“守门员”，如何把精力花在刀刃上
本期介绍的几篇论文：
[CL] ELF: Embedded Language Flows
[MIT]
https://arxiv.org/abs/2605.10938
---
[LG] The Efficiency Gap in Byte Modeling
[Google DeepMind]
https://arxiv.org/abs/2605.12928
---
[CL] Context Training with Active Information Seeking
[Google DeepMind]
https://arxiv.org/abs/2605.13050
---
[LG] Strategic PAC Learnability via Geometric Definability
[Technion – Israel Institute of Technology]
https://arxiv.org/abs/2605.13426
---
[LG] Delightful Exploration
[Google DeepMind]
https://arxiv.org/abs/2605.13287

这一期，我们来聊聊几个特别有意思的“AI悖论”：想让AI团队更强，是该招“通才”还是“专才”？AI写下的思考步骤，究竟是真实的内心独白，还是为了让你满意的“事后表演”？而教一个AI“学生”，是让他抄答案更有效，还是抄解题思路更靠谱？几篇最新的论文，给了我们一些出乎意料的答案。
00:00:27 人多力量大，还是术业有专攻？
00:07:33 AI的“胎记”，我们如何给机器生成的内容盖个章？
00:12:46 AI训练的快慢之争，一个两全其美的方案
00:18:35 你的AI队友，是在真思考还是在“演”给你看？
00:23:52 让AI“小号”变聪明的秘密，抄答案还是抄思路？
本期介绍的几篇论文：
[LG] Slicing and Dicing: Configuring Optimal Mixtures of Experts
[University of Washington & New York University]
https://arxiv.org/abs/2605.11689
---
[LG] TextSeal: A Localized LLM Watermark for Provenance & Distillation Protection
[Meta Superintelligence Labs]
https://arxiv.org/abs/2605.12456
---
[LG] Learning, Fast and Slow: Towards LLMs That Adapt Continually
[UC Berkeley & Mila]
https://arxiv.org/abs/2605.12484
---
[LG] When Reasoning Traces Become Performative: Step-Level Evidence that Chain-of-Thought Is an Imperfect Oversight Channel
[CMU & Fujitsu Research of America Inc]
https://arxiv.org/abs/2605.11746
---
[CL] A Study on Hidden Layer Distillation for Large Language Model Pre-Training
[Google DeepMind]
https://arxiv.org/abs/2605.11513

你有没有想过，AI也会有“选择困难症”吗？或者，怎么才能给AI请个既省钱又能干的“陪练”？这一期，我们就来聊聊几篇有趣的最新论文，看看科学家们是如何教会AI像高手一样反思、像侦探一样倾听“沉默的投票”，甚至用中学物理知识，给AI装上一双“3D眼睛”的。准备好了吗？让我们一起出发！
00:00:29 鸡娃不如“陪练”，AI训练的降本增效新思路
00:05:53 AI的学霸秘籍，如何像高手一样思考和进化
00:12:12 AI的阅读术，如何既快又好地啃下海量信息？
00:18:24 AI的“过分自信”，原来是种“选择困难症”
00:23:39 让AI拥有“立体视觉”的省钱妙计
本期介绍的几篇论文：
[LG] CoDistill-GRPO: A Co-Distillation Recipe for Efficient Group Relative Policy Optimization
[Google Research]
https://arxiv.org/abs/2605.08873
---
[CL] RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards
[Google Cloud AI Research]
https://arxiv.org/abs/2605.10899
---
[CL] Scratchpad Patching: Decoupling Compute from Patch Size in Byte-Level Language Models
[Google DeepMind]
https://arxiv.org/abs/2605.09630
---
[CL] The Silent Vote: Improving Zero-Shot LLM Reliability by Aggregating Semantic Neighborhoods
[Google]
https://arxiv.org/abs/2605.09739
---
[LG] RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings
[Seoul National University & Google Research]
https://arxiv.org/abs/2605.10706