AI可可AI生活

你有没有想过，你用的AI可能藏着一个无法抹去的“行为指纹”？我们又该如何分辨它是在“假装努力”，还是真的在高效思考？本期节目，我们将从几篇最新论文出发，聊聊如何让AI作画学会“高手画骨”，如何让AI拥有“经济适用房”般的超高性价比内存，甚至，如何把它的线性思维，彻底变成并行模式。准备好了吗？让我们一起探索AI世界的深层智慧。
00:00:32 你的AI，有没有一个隐藏的“小动作”？
00:06:34 AI的“经济适用房”，怎么让它记性又好又省钱？
00:12:22 AI作画新思路，高手画骨，庸手填肉
00:17:36 AI大模型，怎样把一根长长的竹竿，掰成一捆筷子？
00:23:07 你的AI在“假装努力”吗？
本期介绍的几篇论文：
[LG] Asking Back: Interaction-Layer Antidistillation Watermarks
[University of California, Los Angeles & Lawrence Berkeley National Laboratory]
https://arxiv.org/abs/2605.16462
---
[LG] OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization
[Together AI]
https://arxiv.org/abs/2605.17757
---
[LG] Dual-Rate Diffusion: Accelerating diffusion models with an interleaved heavy-light network
[Google DeepMind Amsterdam & University of Amsterdam]
https://arxiv.org/abs/2605.18190
---
[LG] SNLP: Layer-Parallel Inference via Structured Newton Corrections
[Red Hat AI Innovation]
https://arxiv.org/abs/2605.17842
---
[CL] Stop When Reasoning Converges: Semantic-Preserving Early Exit for Reasoning Models
[University of Illinois Chicago]
https://arxiv.org/abs/2605.17672

你有没有想过，AI画画是不是也需要打草稿？面对一个“马虎”的AI，我们除了让它变聪明，还能不能帮它“划重点”？本期节目，我们将一口气解锁五篇最新论文里的智慧：看AI如何用“笨功夫”画出惊艳作品，如何从“作弊”中学到创造力，甚至如何用“供应链”思维组建一个高效的AI团队。准备好，我们一起看看AI是如何学会更聪明地工作的。
00:00:32 AI画画的“笨功夫”
00:05:58 人工智能的“马虎”病，我们找到了一个药方
00:10:45 让AI设计个东西，它居然学会了“作弊”？
00:17:04 AI搞团队建设，为什么总像拉一个草台班子？
00:23:00 AI大模型的美食家难题，如何调配完美的学习菜单？
本期介绍的几篇论文：
[CV] One Pass Is Not Enough: Recursive Latent Refinement for Generative Models
[Simon Fraser University]
https://arxiv.org/abs/2605.15309
---
[CV] Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
[Google DeepMind]
https://arxiv.org/abs/2605.15342
---
[CL] Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search
[Google Research]
https://arxiv.org/abs/2605.16191
---
[LG] AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs
[CMU]
https://arxiv.org/abs/2605.15565
---
[CL] Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time
[New York University & CMU]
https://arxiv.org/abs/2605.15220

你有没有想过，最聪明的AI，可能也需要最“笨”的办法？本期我们要聊聊，为什么简单的“Ctrl+F”有时能打败高级算法，AI又如何学会“摊销”智慧来走捷关，甚至从古老的物理学中悟出了修炼“内功”的心法。我们还会看到，AI如何像搭积木一样逐层过滤、化繁为简，并通过“反复琢磨”最终获得顿悟。准备好，一起窥探AI思考的“内功”心法吧！
00:00:30 AI大模型，越高级，越需要“笨”办法？
00:07:32 AI求解大师，重复计算是美德，还是偷懒才是？
00:13:46 AI的终极思考，当模型学会了“悟”
00:20:13 AI的超能力，把难题变简单的“过滤器”
00:25:12 AI的“内功”心法，一种来自物理学的古老智慧
本期介绍的几篇论文：
[CL] Is Grep All You Need? How Agent Harnesses Reshape Agentic Search
[PricewaterhouseCoopers]
https://arxiv.org/abs/2605.15184
---
[LG] Local Inverse Geometry Can Be Amortized
[A L. Kachhadiya]
https://arxiv.org/abs/2605.13068
---
[LG] Solve the Loop: Attractor Models for Language and Reasoning
[University of Southern California]
https://arxiv.org/abs/2605.12466
---
[LG] Deep Learning as Neural Low-Degree Filtering: A Spectral Theory of Hierarchical Feature Learning
[EPFL]
https://arxiv.org/abs/2605.13612
---
[LG] Spontaneous symmetry breaking and Goldstone modes for deep information propagation
[University of Amsterdam & Harvard University & Tsinghua University]
https://arxiv.org/abs/2605.14685

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