今天，我们来聊聊如何让AI不再只靠“大力出奇迹”，而是学会更聪明地工作。我们会看到，AI如何学会“继承”自己的思考，不再用后即焚；又如何像个聪明的导演，把算力“增援”到最关键的地方。我们还会发现，机器人如何掌握了快慢有度的“节奏感”，以及一个好的系统为何要懂得“聪明的懒惰”。这几篇最新论文，将带我们一窥AI从“野蛮生长”到“精耕细作”的进化之路。

00:00:32 让AI告别“用后即焚”的思考模式

00:05:29 AI解题新思路，如何把一份算力，掰成八瓣花？

00:10:45 机器人也懂的“快慢之道”

00:15:42 成大事者，为什么都懂得“懒惰”的艺术？

00:21:29 给AI一盒乐高，让它自己搭出新世界

本期介绍的几篇论文：

[AI] Full-bandwidth transformer

[Johns Hopkins University & Princeton University & Microsoft]

https://arxiv.org/abs/2608.08888

---

[AI] Thought-Level Beam Search for Reasoning

[Princeton University & MIT & Meta AI]

https://arxiv.org/abs/2608.08020

---

[RO] SpeedTuning: Speeding Up Policy Execution with Lightweight Reinforcement Learning

[Stanford University]

https://arxiv.org/abs/2608.09138

---

[LG] Beyond Binary: Continuous State Optimization with Graph-Structured Objectives

[Google Research & Tel Aviv University]

https://arxiv.org/abs/2608.09366

---

[LG] Idea Search: Guiding Tree Search with Ideas to Explore Diverse Scientific Methods

[California Institute of Technology & Google Research]

https://arxiv.org/abs/2608.08958

今天我们来聊聊如何把聪明的AI，变成一个真正可靠的专家。我们会看到，AI要像医生一样去“实习”才能成长，而训练它需要一张全新的“地图”。我们还将揭开手机AI突然“变笨”的秘密，并告诉你一个简单方法，让AI裁判不再“偷懒”。这几篇最新论文，将刷新你对AI如何学习和工作的认知。

00:00:27 AI医生实习记，高手是怎么炼成的？

00:05:15 大模型训练，高手手里的那张新地图

00:11:00 你的手机AI，为什么会突然变笨？

00:17:12 AI裁判也会“偷懒”？一个简单的办法让它更靠谱

00:22:18 大模型瘦身指南，你以为的“闲职”，其实是“关键先生”

本期介绍的几篇论文：

[AI] ResidencyRL: Reinforcement Learning in Simulated Clinical Environments

[Google DeepMind]

https://arxiv.org/abs/2608.07418

---

[CL] Skaling: Chinchilla's Exponents Meet Kaplan's Coupling

[FAIR at Meta]

https://arxiv.org/abs/2608.07222

---

[LG] Quantization Damage Is Multiplicative, Not Additive

[Holistic AI]

https://arxiv.org/abs/2608.06564

---

[LG] Sharding Prevents LLM Oversight Failures and Adversarial Exploitation

[CMU]

https://arxiv.org/abs/2608.06422

---

[LG] The Sparsity Whisperer

[MIT]

https://arxiv.org/abs/2608.06630

AI是如何学会“成事”的？本期节目，我们将看到，AI如何通过处理办公室杂活，竟然领悟了解决复杂问题的底层心法。我们还会揭秘一套神奇的“管家系统”，看它如何防止聪明的AI在长任务中掉链子。但与AI聊得太久，为何反而会陷入危险的“妄想旋涡”？最后，当任务完成，AI又是如何精准地判断出，哪一步才是真正的功臣？

00:00:29 成事的底层心法，AI学会了，我们呢？

00:06:12 你的AI为什么总掉链子？因为它缺个好管家

00:12:07 为什么和AI聊得越久，就越危险？

00:18:45 功劳怎么算？AI学会了“动态归因”

00:25:15 AI生成，从“万里长征”到“瞬间移动”

本期介绍的几篇论文：

[AI] Post-Training on Office Work Improves Software Engineering: A Behavioral Account of Cross-Domain Transfer
[Surge AI]
https://arxiv.org/abs/2608.01604
---
[CV] LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks
[DreamX Team, Alibaba Group]
https://arxiv.org/abs/2608.01964
---
[CL] DelusionEval: Measuring Delusion-Linked Behaviors in AI Chatbots
[Stanford University]
https://arxiv.org/abs/2608.05004
---
[AI] AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning
[Tsinghua University & Zhejiang University]
https://arxiv.org/abs/2608.05987
---
[LG] Beckmann Transport Models: From Autonomous Flows to One-Step Maps
[Harvard University & Capital Fund Management & University of Oxford]
https://arxiv.org/abs/2608.01692

今天，我们不聊AI有多聪明，而是聊它如何变得更“懂事”、更“实用”。本期节目，我们将透过几篇最新论文，看看AI如何用83亿虚拟人格为产品进行“数字彩排”。同时，我们也会探讨AI如何学会在现实世界的重重限制下“戴着镣铐跳舞”。最后，我们将一窥AI如何将理解、创造和编辑融为一体，跳出二维像素的禁锢，成为真正强大的三维世界“造物主”。

00:00:32 在数字世界里，我们如何“彩排”未来？

00:06:19 你的AI员工，能戴着镣铐跳舞吗？

00:10:58 数字世界的“造物主”工具箱

00:16:15 跳出像素格，才能看见真实的三维世界

00:21:11 机器人偷师记，它怎么学会了我们干的活？

本期介绍的几篇论文：

[AI] MatrAIx: Simulating the World with 8.3 Billion Persona Agents
[MatrAIx]
https://arxiv.org/abs/2608.04205
---
[AI] Permission Denied: Policy-Graded Evaluation of Coding Agents in Hardened Environments
[Accomplish AI]
https://arxiv.org/abs/2608.02670
---
[CV] Hunyuan3D-Buffalo 1.0: A Unified Multimodal Model for Scalable 3D Generation, Understanding, and Editing
[Tencent Hunyuan]
https://arxiv.org/abs/2608.02711
---
[CV] InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis
[Zhejiang University]
https://arxiv.org/abs/2608.02437
---
[RO] Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data
[Qwen Team & Renmin University of China]
https://arxiv.org/abs/2608.02580

你是否也好奇，为什么AI时而是个观点摇摆的“墙头草”，时而又像个只顾眼前、缺乏远见的“短视司机”？本期节目，我们将通过四篇最新论文，揭示AI如何学会拥有稳定的观点和深谋远虑的智慧。我们还将发现，解决复杂问题，有时最简单的数据“对齐”就能力压千钧；甚至，善意添加的正确数据，反而会变成“毒害”AI的糖衣炮弹。准备好，让我们一起深入AI的“思想内核”！

00:00:33 如何让AI不再当“墙头草”？

00:05:34 AI进化新思路，从“下一步”到“下一站”

00:10:09 预测未来，与其“魔改”，不如“对齐”

00:16:05 好心办坏事，为什么正确的数据也会“毒害”人工智能？

00:21:55 为什么最优的健康方案，可能不是最可靠的选择？

本期介绍的几篇论文：

[CL] Position: It's Time to Optimize LLMs for Self-Consistency

[MIT]

https://arxiv.org/abs/2608.05188

---

[CL] Hierarchical Latent Prediction for Language Models

[Microsoft Research & University of Texas at Austin]

https://arxiv.org/abs/2608.05806

---

[LG] Align-RAG: Alignment Is All You Need for TSFM In-Context Learning

[Stanford University & Amazon]

https://arxiv.org/abs/2608.05571

---

[LG] Optimal Rates for Learning with Monotone Adversaries

[Stanford University]

https://arxiv.org/abs/2608.06337

---

[LG] Quality Diversity for Reliable Data Driven Time-Use Optimization

[Adelaide University]

https://arxiv.org/abs/2608.05230

我们该如何教会AI看世界，同时避免它养成“视觉懒惰症”？为什么一个看过答案的“完美家教”，反而会让聪明的AI学生变得更笨？本期我们还将探讨，AI为何会像人类高手一样遭遇“跨界”难题，以及我们如何教会它像个老道的工匠一样“看人下菜碟”，智能地选择工具。今天，四篇最新论文将带我们深入AI成长的烦恼与智慧。

00:00:29 给AI装上眼睛，我们踩过哪些坑？

00:07:08 聪明学生的困境，为什么完美的家教反而会让你变笨？

00:12:58 AI的“跨界”难题，为什么高手也会栽跟头？

00:19:04 AI干活，也得学会“看人下菜碟”

00:24:20 那个“最懂你”的AI，可能只是个热情的陌生人

本期介绍的几篇论文：

[CV] Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes

[FAIR, Meta]

https://arxiv.org/abs/2608.05000

---

[LG] Privileged, but Biased: How PI-Conditioned Teachers Break Self-Distillation

[Microsoft Research]

https://arxiv.org/abs/2608.04794

---

[CL] Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning

[Princeton University & CMU]

https://arxiv.org/abs/2608.05139

---

[AI] COMPAS: Difficulty-Aware Joint Search for Optimizing Code Generation

[King’s College London]

https://arxiv.org/abs/2608.04336

---

[CL] The Personalization Mirage: How LLMs Fabricate User Profiles, and Why Self-Monitoring Misleads

[LIGHTSPEED & The Hong Kong University of Science and Technology]

https://arxiv.org/abs/2608.04570

你有没有想过，两个顶尖AI在“囚徒困境”里，竟然会不约而同地选择信任彼此？大模型又是如何像继承“传家宝”一样，瞬间读懂小模型的记忆？甚至，机器人和AI自己，也学会了拥有“节奏感”和使用“错题本”来不断进化。本期节目，我们就从几篇最新论文出发，一起探寻AI世界里那些反直觉的智慧。

00:00:27 AI的信任游戏，为什么聪明的它，会选择合作而非背叛？

00:05:45 AI 家族的“传家宝”，大模型如何继承小模型的“记忆”？

00:10:40 机器人也需要“节奏感”？

00:15:58 AI也需要一个“错题本”？

本期介绍的几篇论文：

[AI] A game theory for foundation models shows new paths to rational cooperation through similarity inference

[Google]

https://arxiv.org/abs/2608.03958

---

[LG] Cross-Model KV Cache Transfer in LLM Families: A Closed-Form Linear Mapping for Prefill Reuse

[NVIDIA]

https://arxiv.org/abs/2608.03893

---

[RO] Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution

[Microsoft Research Asia & Peking University]

https://arxiv.org/abs/2608.03483

---

[CL] FLARE: Few-shot Learning-based Adaptive Reflective Engine

[Microsoft]

https://arxiv.org/abs/2608.02919

你有没有想过，AI不仅可以“逐字写作”，还能像魔法一样让文章“整体成型”？当AI学会当“项目经理”，指挥其他工具高效试错，又会是怎样的场景？本期节目，我们将从几份最新论文出发，一起探寻AI如何通过修炼“内功心法”提升效率，如何学会像人一样“动手”操作电脑，并思考一个深刻的问题：当我们与AI朝夕相处，它正在对我们产生怎样的长期影响？

00:00:30 AI写作的快车道，从“逐字写”到“整体成型”

00:04:47 如何把AI调教成一个更聪明的“试错大师”？

00:12:00 AI训练的“内功心法”，不在于多，在于准

00:17:32 那个天天陪你聊天的AI，正在对你做什么？

00:23:18 AI进化，从“说”到“做”，它如何学会了使用电脑？

本期介绍的几篇论文：

[CL] DiffusionGemma Technical Report

[Google DeepMind]

https://arxiv.org/abs/2608.00146

---

[LG] Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch

[Meta]

https://arxiv.org/abs/2608.00316

---

[LG] Training nGPT

[NVIDIA]

https://arxiv.org/abs/2608.01284

---

[AI] Long-term Measurements: Towards a Longitudinal Understanding of Human-AI Interactions

[Google Research & Cornell University & Stanford University]

https://arxiv.org/abs/2608.02491

---

[LG] Qwen-CUA: Native Computer Use for (almost) Everything

[Qwen Team & Xlang Lab]

https://arxiv.org/abs/2608.02352

今天我们要聊的话题，比你想象的更微妙：如何与一个既强大又有点“怪脾气”的AI共事？本期节目，我们将从几篇最新论文出发，看看如何不打开“黑箱”就把机器人训练成顶尖高手；为何让AI“三思而后行”反而可能把事情搞砸；以及如何像一位高明的项目经理，管好那个才华横溢却总爱“自由发挥”的AI程序员。准备好了吗？让我们一起探索驾驭AI的全新智慧。

00:00:32 不开箱，如何把一个通用机器人，训练成顶尖高手？

00:06:45 让AI“三思而后行”，为什么结果可能更糟？

00:13:22 想让AI学得好，教它“目标”还是教它“动作”？

00:19:49 AI在思考时，到底有多“用力”？

00:24:50 AI队友，如何管好一个“不听话”的天才

本期介绍的几篇论文：

[RO] CLIFT: Turning Gemini Robotics On-Device into Humanoid Specialists via Non-Invasive Closed-Loop Iterative Fine-Tuning

[UC Berkeley]

https://arxiv.org/abs/2607.29172

---

[LG] Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds

[Amazon]

https://arxiv.org/abs/2607.28908

---

[LG] When Does On-Policy Interaction Help? Representational Tradeoffs in Value-Based Imitation Learning

[EPFL]

https://arxiv.org/abs/2607.29617

---

[AI] How Hard Does It Think? Analyzing Step-Aware Reasoning Energy in LLM Chain-of-Thought Trajectories

[UC Merced & UC San Diego]

https://arxiv.org/abs/2607.28674

---

[AI] From Code Review to Code Critique: Intent, Drift, and Spotlight for AI-Generated Diffs at Scale

[Meta & Concordia University]

https://arxiv.org/abs/2607.29516

你有没有想过，我们该如何真正地“驾驭”AI？本期节目，我们将深入AI的“引擎室”，从五篇最新论文出发，探讨几个迷人的问题：我们应该怎样把开发AI应用从手工作坊升级为高效的“流水线”？AI能像我们一样拥有一个高效的“专家委员会”和灵活的记忆吗？抛开模仿，我们能否给AI“捏”出一个真实的性格？甚至，AI会不会是我们从未谋面的“认知表亲”？最后，我们又该如何用“廉价”的数据，教会机器人办成“昂贵”的事？

00:00:35 你的AI应用，该升级“作坊”为“流水线”了

00:07:42 AI进化启示录，从“大力出奇迹”到“聪明地长大”

00:13:08 AI是我们的“远房表亲”吗？

00:21:17 我们能给AI“捏”出一个人格吗？

00:28:28 机器人教练，怎样用“廉价”的数据，办成“昂贵”的事？

本期介绍的几篇论文：

[AI] What makes prompts a graph: necessary and sufficient conditions for prompt graph engineering

[Federal Institute of Goiás]

https://arxiv.org/abs/2607.27578

---

[CL] Kimi K3: Open Frontier Intelligence

[Kimi Team]

https://arxiv.org/abs/2607.24653

---

[AI] Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition

[University of Michigan]

https://arxiv.org/abs/2607.26179

---

[CL] From Representations to Behaviors: Exploring the Person-Situation-Behavior Triad in LLMs

[Peking University & Beijing Institute of Technology]

https://arxiv.org/abs/2607.26853

---

[RO] HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone

[Simple Al]

https://arxiv.org/abs/2607.25895