AI可可AI生活

你有没有想过，我们能用一套“知识探针”给大模型做一次精确的“脑容量”CT扫描吗？或者，当AI不再满足于讲一个完美的成功故事，而是把所有失败的教训都记录下来，科学研究会变成怎样一个“活物”？本期节目，我们将从五篇最新论文出发，看看AI如何学会“变脸”戏法，又是如何用“笨办法”实现反超，以及，如何只用一部手机就让一只螃蟹学会跳街舞。
00:00:31 如何给AI大模型做一次“脑容量”CT扫描？
00:08:25 让一只螃蟹学会跳街舞，总共分几步？
00:13:47 让知识“活”起来，科研的下一种形态
00:20:47 AI的“变脸”戏法，我们以为的安全，可能只是没对上“暗号”
00:27:26 AI进化新思路，为什么“笨办法”反而更聪明？
本期介绍的几篇论文：
[LG] Incompressible Knowledge Probes: Estimating Black-Box LLM Parameter Counts via Factual Capacity
[Pine AI]
https://arxiv.org/abs/2604.24827
---
[CV] MoCapAnything: Unified 3D Motion Capture for Arbitrary Skeletons from Monocular Videos
[Huawei International Pte. Ltd. & Huawei Central Media Technology Institute]
https://arxiv.org/abs/2512.10881
---
[LG] The Last Human-Written Paper: Agent-Native Research Artifacts
[Orchestra Research & Stanford University & Ohio State University]
https://arxiv.org/abs/2604.24658
---
[LG] Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers
[Warsaw University of Technology & Truthful AI]
https://arxiv.org/abs/2604.25891
---
[CV] Tuna-2: Pixel Embeddings Beat Vision Encoders for Multimodal Understanding and Generation
[Meta AI]
https://arxiv.org/abs/2604.24763

你有没有想过，一个真正能干活的AI，需要的不是更多的考题，而是一间属于自己的“办公室”？我们又该如何扮演一个聪明的“甩手掌柜”，给手下的AI专家们高效分配任务？本期节目，我们将从几篇最新的AI论文出发，聊聊如何用“成本思维”给AI的训练省下一半的钱，如何通过一场“博弈”让AI自我进化，并最终一起探索AI思考的形状，看看它的“脑海”里究竟是字典，还是一幅幅由概念构成的几何地图。
00:00:34 想让AI替你干活？得先给它一间“办公室”
00:06:01 如何当一个聪明的“甩手掌柜”？
00:11:46 AI训练太烧钱？你缺的不是算力，是“成本思维”
00:17:43 AI进步的捷径，不只看结果，更要玩对博弈
00:23:08 AI怎么思考？答案可能藏在几何里
本期介绍的几篇论文：
[LG] Synthetic Computers at Scale for Long-Horizon Productivity Simulation
[Microsoft]
https://arxiv.org/abs/2604.28181
---
[LG] Optimized Deferral for Imbalanced Settings
[Google Research & Courant Institute of Mathematical Science]
https://arxiv.org/abs/2604.27723
---
[LG] Cost-Aware Learning
[Google Research]
https://arxiv.org/abs/2604.28020
---
[LG] Distributional Alignment Games for Answer-Level Fine-Tuning
[Google Research & Microsoft Research]
https://arxiv.org/abs/2604.27166
---
[LG] Do Sparse Autoencoders Capture Concept Manifolds?
[Harvard University]
https://arxiv.org/abs/2604.28119

你有没有想过，AI不仅能当一个好员工，还能自己进化成项目经理，开“复盘会”优化工作流？或者，指挥一个复杂的机器人，也许只需要像在屏幕上“画重点”一样简单？本期节目，我们将从五篇最新的AI论文出发，聊聊AI如何突破效率瓶颈：从揭秘AI服务“拼单”背后隐藏的隐私风险，到看AI如何像图书管理员一样高效整理海量知识，再到探索不同世界里的学习速度极限。准备好，让我们一起看看AI是如何学会“化繁为简”与“自我进化”的。
00:00:39 想把东西卖出高价？你得懂点学习的规律
00:07:21 拼单的代价，AI服务如何泄露你的秘密
00:12:23 AI的瓶颈，不在大脑，在“书房”
00:17:48 让AI自己进化，不止是大力出奇迹
00:23:32 给机器人“画重点”，让复杂变简单
本期介绍的几篇论文：
[LG] On the Learning Curves of Revenue Maximization
[Purdue University & Yale University & Technion]
https://arxiv.org/abs/2604.26922
---
[LG] Quantamination: Dynamic Quantization Leaks Your Data Across the Batch
[University of Cambridge & AI Sequrity Company]
https://arxiv.org/abs/2604.26505
---
[LG] Unifying Sparse Attention with Hierarchical Memory for Scalable Long-Context LLM Serving
[Microsoft Research]
https://arxiv.org/abs/2604.26837
---
[CL] FlowBot: Inducing LLM Workflows with Bilevel Optimization and Textual Gradients
[Naver Search US & MIT]
https://arxiv.org/abs/2604.26258
---
[CV] Lifting Embodied World Models for Planning and Control
[New York University & UC Berkeley]
https://arxiv.org/abs/2604.26182

想知道如何像做笔迹鉴定一样，一眼看穿AI的“真身”吗？想了解怎样能让AI开会时，奇迹般地省下97%的“桌子”吗？本期我们就来聊聊几篇最新论文，看看AI如何学会“读心术”来高效协作，如何避免因“谜之自信”而犯下大错，甚至，为什么一个“会犯错”的老师，反而能教出更厉害的AI学生。
00:00:28 如何给AI做“笔迹鉴定”？
00:06:27 AI开会，如何省下97%的桌子？
00:14:10 AI界的“青出于蓝”，是惊喜还是惊吓？
00:19:30 你还在让AI“写报告”？它们已经开始直接交换“想法”了
00:24:16 为什么“犯错”的老师，能教出更好的AI？
本期介绍的几篇论文：
[CL] The Surprising Universality of LLM Outputs: A Real-Time Verification Primitive
[Evolutionairy AI]
https://arxiv.org/abs/2604.25634
---
[LG] PolyKV: A Shared Asymmetrically-Compressed KV Cache Pool for Multi-Agent LLM Inference
[No University Provided]
https://arxiv.org/abs/2604.24971
---
[AI] Evaluating Risks in Weak-to-Strong Alignment: A Bias-Variance Perspective
[University of Illinois Urbana-Champaign & Microsoft & InstaDeep]
https://arxiv.org/abs/2604.25077
---
[CL] Recursive Multi-Agent Systems
[UIUC]
https://arxiv.org/abs/2604.25917
---
[LG] When Errors Can Be Beneficial: A Categorization of Imperfect Rewards for Policy Gradient
[Princeton University]
https://arxiv.org/abs/2604.25872

你有没有想过，一个“乐于助人”的AI，它的善意本身可能就是最危险的漏洞？本期节目，我们将从几篇最新的AI论文出发，一起探索AI的“内心世界”：看看它是如何通过预判未来让训练更高效，如何在内部形成“专家圈子”，又是如何掉进“减肥不减脂”的内存陷阱，并最终揭示那张描绘它思维路径的神秘“藏宝图”。准备好了吗？让我们一起打开AI的黑箱。
00:00:30 为什么说，答案对错没那么重要？
00:05:59 你的AI正在“挑食”，一个让大模型加速的隐秘模式
00:11:46 AI大模型瘦身指南，减重≠减脂
00:17:49 为什么一个“乐于助人”的AI，反而更危险？
00:22:34 AI的“藏宝图”，我们如何看懂机器的“内心世界”？
本期介绍的几篇论文：
[LG] Reward Models Are Secretly Value Functions: Temporally Coherent Reward Modeling
[AI at Meta]
https://arxiv.org/abs/2604.22981
---
[LG] Scaling Multi-Node Mixture-of-Experts Inference Using Expert Activation Patterns
[Meta & Georgia Institute of Technology]
https://arxiv.org/abs/2604.23150
---
[LG] Parameter Efficiency Is Not Memory Efficiency: Rethinking Fine-Tuning for On-Device LLM Adaptation
[MIT CSAIL]
https://arxiv.org/abs/2604.22783
---
[CL] Jailbreaking Frontier Foundation Models Through Intention Deception
[CMU]
https://arxiv.org/abs/2604.24082
---
[AI] Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features
[Stanford University]
https://arxiv.org/abs/2604.23829