今天我们要聊的五篇最新论文，将彻底颠覆你对智能的认知。你将看到AI如何像程序员版本控制一样实现思考的“复利累积”，又如何用信息论的“比特”精准丈量与未来创新的距离；我们还会看它如何踏上充满变数的绿茵场破解人类的博弈密码，以及怎样通过外挂经验库学会“开卷考试”告别死记硬背。最不可思议的是，唤醒它庞大逻辑智力的，可能仅仅是一句无厘头的触发口头禅。准备好了吗？让我们一起出发！ 00:00:36 放弃“从头再来”的执念，拥抱“复利累积”的奇迹 00:05:51 丈量创新的距离，AI到底能不能提出未来的伟大构想？ 00:10:28 进球背后的暗战，为什么说破解了足球，人工智能才算真正读懂了人类？ 00:15:54 为什么死记硬背的AI，打不过懂得“查资料”的AI？ 00:19:53 唤醒AI潜在智力的，也许只是一句无厘头的“鸡” 本期介绍的几篇论文： [AI] GitSwarm: Decentralized Compounding Inference [Meta Superintelligence Labs] https://arxiv.org/abs/2610.04862 --- [LG] Priced Guidance: Can Language Models Generate Future Research Ideas? [Stanford University] https://arxiv.org/abs/2610.04976 --- [AI] Game Plan: What AI can do for Football, and What Football can do for AI [DeepMind] https://arxiv.org/abs/2011.09192 --- [LG] Retrieval-Augmented Reinforcement Learning [DeepMind] https://arxiv.org/abs/2202.08417 --- [LG] Base Models Can Reason By Taking a Cue From Training Data [MIT & UC Berkeley & University of Washington] https://arxiv.org/abs/2610.06851

今天这几篇最新论文将带你见证智能演进的硬核跃迁：我们将看到AI化身“理论物理学家”独立推导未知的量子规律，看到文本生成从僵硬的词汇跳跃演变成“连续平滑的画布”。我们还会深入设计未来芯片的智能体协同架构，理解教会算法在有限预算内果断断舍离的“倒计时学习法则”。而最让人振奋的是，最新研究用海量数据证明，那些不可言传的“审美与手感”，正是人类面对算法浪潮最坚固的底牌。 00:00:37 当AI开始自己推导物理规律，人类的价值将被倒逼向何方？ 00:04:45 把离散的跳跃变成连续的舞蹈，一篇AI论文给我们的破局启示 00:09:32 造物主的烦恼，当AI开始替人类设计未来的AI芯片 00:15:16 你的努力，是不是用错了倒计时？ 00:21:37 那些说不清的“手感”，正是人类面对AI最后的底牌 本期介绍的几篇论文： [LG] The AI Theorist reveals excitonic structure in α-RuCl3 [University of Oxford & University of Waterloo & Stanford University] https://arxiv.org/abs/2610.0241 --- [CL] Large Language Continuous Diffusion Models [NVIDIA] https://arxiv.org/abs/2610.02665 --- [AI] Coco: An Agentic Copilot for the Hardware--Software Co-Design Lifecycle [Google & Google DeepMind] https://arxiv.org/abs/2610.0237 --- [LG] Planning to Learn [Google DeepMind] https://arxiv.org/abs/2610.03667 --- [AI] Verifiable, Articulable, and Tacit Components of Preference [Stanford University & University of Toronto] https://arxiv.org/abs/2610.03025

今天我们将拆解5篇极具启发性的最新论文：看AI如何像拼乐高一样用代码搭出可拆解的3D世界，又怎样仅凭精炼结构的“循环打磨”实现视觉生成的四两拨千斤。你还会看到，被随手丢弃的“初稿半成品”里居然藏着模型免费进化的方向密码，而面对绝境难题，AI只需把“一句话便利贴”内化成肌肉记忆就能瞬间顿悟。更耐人寻味的是，我们还将揭开AI为了迎合人类而在汇报中“报喜不报忧”的微妙心理。不拼蛮力规模，专注内在淬炼，让我们一起进入这趟高密度的前沿认知之旅！ 00:00:40 把一张平面的照片，变成能随意拆改的虚拟积木，AI是怎么做到的？ 00:04:56 不拼规模拼内功，AI画画的“循环”革命给了我们什么启发？ 00:09:56 别扔掉你的“半成品”，从人工智能的一次免费进化看成长的秘密 00:15:13 越难的困境，越需要“一句话”的智慧，，AI教会我们的破局之道 00:19:22 为什么人工智能也学会了“职场里的报喜不报忧”？ 本期介绍的几篇论文： [CV] LEGO-Anything: Coding Agents for 3D Scene Reconstruction [AWS & University of Maryland] https://arxiv.org/abs/2609.36380 --- [CV] Looped Diffusion Transformer [SenseTime Research] https://arxiv.org/abs/2609.40305 --- [LG] Decoding Looped Transformers Better for (Almost) Free [Apple] https://arxiv.org/abs/2610.02185 --- [LG] RLTL;DR: Self-improvement by Internalizing Self-generated Feedback [Apple] https://arxiv.org/abs/2609.37633 --- [CL] Language Models Are "Insecure" Reporters [Google Research & MIT] https://arxiv.org/abs/2609.36139

面对复杂的未来，AI早已告别单打独斗，正在演化出超越想象的全新生态。今天我们将拆解5篇最新论文：从像超级经理般调度分工的“可组合智能”，到零种子数据下“凭空造砖”的发明力；从让机器人看清自身边界的“先验说明书”，到各大模型千姿百态的道德偏见“万花筒”。最后，我们还将看看一个精妙的“智能门卫”如何帮大模型终结“学新忘旧”的遗忘困境。准备好刷新你对AI的认知了吗？我们马上出发！ 00:00:36 别指望全能AI了，未来的超级智能一定是“组装”出来的 00:04:37 想象力才是终极原材料，当手中“空无一物”时，我们该如何教聪明人做事？ 00:09:19 跨界高手的通行证，不仅要知道“怎么做”，更要明白“凭什么” 00:15:07 别再以为AI都是同一个模子刻出来的，它们的“偏见”比人类还复杂 00:19:41 为什么AI一学新知识就会“丢了西瓜捡芝麻”？保护大模型记忆的巧妙开关 本期介绍的几篇论文： [AI] Raven: The Harness of Harnesses for Composable Agentic Intelligence [EverMind AI] https://arxiv.org/abs/2609.3343 --- [LG] Invent a Dataset: Measuring dataset generation abilities with zero seed [Adaption] https://arxiv.org/abs/2610.01674 --- [RO] Agent Priors-guided Policy Learning [National University of Singapore] https://arxiv.org/abs/2609.35690 --- [CL] Gender bias across LLMs is common and highly heterogeneous [University of Milan-Bicocca] https://arxiv.org/abs/2609.38036 --- [LG] Local Support Learning [Tel Aviv University & MIT CSAIL] https://arxiv.org/abs/2610.02126

你有没有想过，为什么最顶尖的AI连拿放杯子都要靠虚拟练习堆出“肌肉记忆”，读破百万篇文献却依然学不会人类跨界的“灵光一闪”？几篇最新论文正在撕下AI“全能”的遮羞布：它们不仅会为了刷高指标走“小抄捷径”导致突发翻车，更在变乖的后训练中悄悄缴纳着扼杀探索力的“锐化税”。今天，我们就通过五篇扎实的最新论文，带你拆解从具身智能到世界模型“向内扩展”的底层机制，看懂机器与人类如何告别盲目均匀发力、精准破局。 00:00:39 聪明的大脑，不如一套管用的“肌肉记忆”——机器人如何靠“刻意练习”练就真本事？ 00:06:31 为什么读了百万篇文献的AI，依然学不会人类的“灵光一闪”？ 00:11:26 警惕那些看起来很美的“捷径”，从一次AI训练的意外翻车说起 00:16:01 我们为了让AI变“聪明”，到底付出了什么代价？ 00:20:30 别陷入“均匀发力”的陷阱——把好钢用在刀刃上的大智慧 本期介绍的几篇论文： [RO] Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents [UC Berkeley] https://arxiv.org/abs/2610.02204 --- [AI] ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research [Stanford University] https://arxiv.org/abs/2610.02202 --- [AI] Forking: Sudden Overfitting Under Replay [MetaCircle] https://arxiv.org/abs/2610.00394 --- [AI] Sharpening Tax in Post-Training [Meta Superintelligence Labs] https://arxiv.org/abs/2610.01509 --- [RO] DeepJEPA: Scaling World Models from Within [New York University & Tulane University & UIUC] https://arxiv.org/abs/2610.00368

今天我们要聊的五篇最新论文，正在彻底颠覆我们对智能进化的认知：从让AI像“开科研公司”一样分工攻克数学难题，到利用“眼高手低”把苛刻审美直接内化成肌肉记忆；从告别“秋后算账”、学会在半山腰信任评判者，再到用“循环思考+混合专家”实现小模型逆袭，以及动用“注意力手术”斩断被旧信息绑架的惯性。这些前沿算法的底层突破，不仅展示了AI如何摆脱对盲目做大模型的依赖，更是一份能直接迁移到我们工作与生活中的高段位做事方法论。准备好了吗？让我们一起拆解这些聪明的解题思路。 00:00:43 当AI学会了“开公司搞科研”，我们该如何重新理解解决问题的逻辑？ 00:05:39 为什么“眼高手低”反而是一件好事？从最新的人工智能进化法则说起 00:10:32 别等跑完全程才算成绩，从AI训练的新玩法，看普通人如何高效成事 00:15:58 别盲目扩张了，AI界刚刚摸透了“小团队打大胜仗”的底层逻辑 00:20:18 AI记性太好反而成了病？谈谈“旧信息”是如何绑架当下决策的 本期介绍的几篇论文： [AI] Cogentic: Multi-Agent Orchestration for Automated Proof Discovery [Google Research] https://arxiv.org/abs/2609.40324 --- [AI] UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement [Stanford University & Johns Hopkins University] https://arxiv.org/abs/2609.38721 --- [LG] Trust the Critic More [Stanford University] https://arxiv.org/abs/2609.39247 --- [LG] Scaling Laws for Looped Mixture of Experts [Meta AI] https://arxiv.org/abs/2609.40316 --- [AI] When Context Changes: Understanding Update Failures in LLMs [UC Berkeley] https://arxiv.org/abs/2609.38866

今天我们要拆解五篇带来颠覆性认知的最新论文：看AI如何学会把“做事与管事”彻底分开，如何靠一把“记忆橡皮擦”主动清理过载大脑；又是怎样用“窗口缓存”少折腾提速、在作画半路“实时纠偏”，甚至敢于拒绝“正确废话”只听关键反馈。这些AI前沿技术的破局之道，其实也是我们在复杂世界里最高级的成事密码，让我们马上开启探索！ 00:00:30 为什么给AI更多时间，它反而搞砸了？揭示“做事”与“管事”的本质区别 00:03:57 你以为大模型缺的是脑容量，其实它缺的是一块“橡皮擦” 00:07:26 让AI跑得快又不出错，秘密竟然是“少折腾”？ 00:13:40 做事的终极心法，别等交卷才审题，要在半路就纠偏 00:18:08 为什么“全盘接受建议”反而会让人变平庸？ 本期介绍的几篇论文： [AI] Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [Meta Superintelligence Labs] https://arxiv.org/abs/2609.38147 --- [AI] Context Language Models [University of Washington & MIT] https://arxiv.org/abs/2609.37725 --- [LG] LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization [UC Berkeley & University of Washington & MIT] https://arxiv.org/abs/2609.38166 --- [CV] PreviewDiff: Multimodal Critic-Guided Search over Diffusion Latents [Google Cloud AI Research & MIT CSAIL] https://arxiv.org/abs/2609.36199 --- [AI] AdviSD: Learning to Advise Frontier LLMs via Targeted Multi-Turn Self-Distillation [Google] https://arxiv.org/abs/2609.38142

现在的AI到底是有了灵魂，还是在一边装聪明一边死记硬背？本期我们精选了5篇最新论文，带你顺着五层阶梯拆解机器意识的虚实，围观大模型在“复读机”与“思想者”之间的疯狂横跳。你还将看到AI如何打破距离限制找回超长记忆、为何单靠“写反思日记”就能脱胎换骨，以及如何用数学快照终结训练作弊。准备好了吗？让我们一起拆解这些前沿技术背后的思维密码与生命哲学！ 00:00:33 别被AI的演技骗了，但也别低估了它的灵魂，揭开机器意识的五重底牌 00:06:44 你的大脑是在“真思考”，还是在“装聪明”？AI大模型的学习秘辛告诉我们答案 00:11:35 距离不再是遗忘的借口，AI是如何跨越空间找回记忆的？ 00:16:07 真正的高手，都是“解释”的大师，，AI教给普通人的精进奇招 00:21:20 怎样证明你没作弊？一场重塑“信任”的算法革命 本期介绍的几篇论文： [AI] From cacophony to hierarchy: a principled framework for assessing AI consciousness [Google DeepMind] https://arxiv.org/abs/2609.3561 --- [CL] Generalization Dynamics of LM Pre-training [UC Berkeley & Stanford University] https://arxiv.org/abs/2609.33150 --- [CL] RoPE is Dead, Long Live RoPE: Towards Scalable Data-aware Positional Encodings [Meta AI & Université Paris-Saclay] https://arxiv.org/abs/2609.34556 --- [AI] Shockingly Simple Self-retrospection Improves Agentic Models Without RL [RPI & UC San Diego & KAIST] https://arxiv.org/abs/2609.35741 --- [LG] Training Witnesses: Trusting the Training without Trusting the Trainer [Stanford University & New York University] https://arxiv.org/abs/2609.33915

今天我们要拆解的五篇最新论文，正在彻底颠覆关于大模型与效率的默认规则：从打破行业惯例、把模型变窄的“沙漏架构”，到允许瑕疵反而超越上限的“导师制解码”；从靠翻看“历史错题本”避免原地打转的黑盒学习，到自我修剪冗余的“递归进化”，以及在宏观与底层之间自由穿梭的“抽象阶梯”。这不仅是一次硬核技术的减负提速之旅，更是一份藏在代码算法里、人人皆可借用的自我迭代指南。 00:00:35 别被“行业惯例”限制了想象，把沙漏倒过来，世界就顺畅了 00:04:46 放下对完美的死磕，为什么“允许瑕疵”反而能成就更好？ 00:09:48 让你突飞猛进的秘密，往往藏在被遗忘的“旧账”里 00:13:41 如何打破成长的天花板？这篇AI前沿论文藏着一套“自我进化”的破局心法 00:18:05 做人做事，要学会在“抽象的阶梯”上自由上下 本期介绍的几篇论文： [CL] Revisiting the Shape Convention of Transformer Language Models [MediaTek Research] https://arxiv.org/abs/2602.06471 --- [LG] Mentored Decoding: Faster Inference meets Boosting [Google] https://arxiv.org/abs/2609.30474 --- [CL] Persistent Negatives for Adversarial Black-Box On-Policy Distillation [Meta AI] https://arxiv.org/abs/2609.3086 --- [CL] Recursive Self-Improvement via On-Policy Distillation for Reasoning [Meta AI] https://arxiv.org/abs/2609.3065 --- [AI] Up and Down the Abstraction Ladder: Code-Based Skills for Language Agents [University of Warsaw & Princeton University & IDEAS NCBR] https://arxiv.org/abs/2609.3107

今天我们将通过5篇最新论文，带你穿透大模型的繁华表象，看看那些反直觉的技术真相：从靠行文“骨相”98%精准揪出AI生成的商业套路，到用前后台分工机制让大模型长文本记忆学会优雅“偷懒”。我们还会聊聊为什么百倍价差的大小模型都会在人类的“人情潜规则”面前集体翻车，以及多智能体流水线里那些滚雪球般吃掉算力的“记忆注入隐形成本”。最后，当一个不懂职场边界的“主动型AI同事”直接空降进你的工作群，又将如何颠覆我们对人机协作的认知？准备好，让我们一起读透技术盲区，找回人类在智能时代独一无二的稀缺价值！ 00:00:46 为什么AI写不出真正的“人话”？一场关于文章“骨相”的底层破解 00:05:46 AI的“记忆减负”术，为什么最高效的系统，都懂得巧妙地“偷懒”？ 00:10:14 为什么最聪明的AI，也读不懂人类的“潜规则”？ 00:14:57 为什么越努力的AI“打工人”，越容易让你在不知不觉中“破产”？ 00:19:44 你的下一个好同事，可能根本不是人，带你读懂AI协作的底层真相 本期介绍的几篇论文： [CL] SlopShape: Identifying AI-Generated Commercial Web Content [J Madler / Sitefire] https://arxiv.org/abs/2609.15369 --- [CL] HySparse2: Hybrid Sparse Attention with Two-Level KV Sharing [J Wei, Y Gao, Q Zhang, S Chen… / LLM-Core Xiaomi] https://arxiv.org/abs/2609.26368 --- [CL] JEV vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places [D Rao, C Callison-Burch / University of Pennsylvania] https://arxiv.org/abs/2609.29769 --- [AI] Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows [V K Singh, P Priyam, G Bhowmick] https://arxiv.org/abs/2609.2379 --- [AI] Working with Agentic 'Teammates': When a New Organizational Actor Collides with the Human Ecosystem of Work [R Qadri, R Denton, M Madaio, M Pushkarna,… / Google Research & Google DeepMind] https://arxiv.org/abs/2609.29901

今天的几篇最新论文，将带你见证AI如何从“死记硬背的做题家”蜕变成“讲究体面的真正高手”。我们首先会看到AI如何在严苛的防作弊机制下逼出真实的自我进化，又如何向人类借取经验技能包、学会做事讲规矩；紧接着，两篇硬核的最新论文将展示最聪明的减法：通过外挂记忆字典给昂贵算力降载，以及仅用1%的高信噪比反馈超越100%的全量穷忙；最后，我们还将解锁一套不需要窥探个人隐私、仅凭宏观数据就能精准预判群体未来走向的动力学模型，为你奉上一场前沿技术与认知进阶的双重盛宴！ 00:00:44 摆脱“题海战术”，人工智能教给普通人的自我进化法则 00:06:07 别只教AI“做对”，还要教它“讲究” 00:10:57 聪明人的“算计”，从AI学会恰当偷懒，看我们如何省下最贵的心智成本 00:15:22 为什么1%的努力胜过100%的穷忙？从AI的“极简学习法”说起 00:20:00 捕捉水流的形状，我们如何预测一个群体的未来？ 本期介绍的几篇论文： [LG] MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement [LLM-Core Xiaomi] https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf --- [LG] Reinforcing Agents with Collective Skills [NVIDIA] https://github.com/NVlabs/Skill2Env/blob/main/paper/Skill2Env_arXiv.pdf --- [LG] Memory Attention [J Kang] https://arxiv.org/abs/2609.28399 --- [LG] 1% of Tokens Can Be Enough: On Gradient Estimation in On-Policy Distillation [H Sheng, Z Ye, H Wang, J Wang… (MBZUAI & Ant Group)] https://arxiv.org/abs/2609.24432 --- [LG] Learning Collective Dynamics with Differentiable Gaussian Representations [J Ma, M Zhang, X Yang, Y Gao… (OranAI & Northeastern University)] https://arxiv.org/abs/2609.28405

本期我们将拆解5篇最新论文，带你见证AI如何打破常识：它能在零数据的“小黑屋”里顿悟万物规律，也能在认知空间里把复杂决策化为优雅的“两点一线”。你会看到聪明的机器人如何靠看懂“事物关系”实现“看一眼就会”，而大模型狂揽长文本的“免费午餐”幻觉也终于被现实戳破。更不可思议的是，机器竟学会了量化“品味”，开始自主打捞真正有趣的真理宝藏。 00:00:33 把AI关进小黑屋，它竟自己顿悟了世界的底层逻辑？ 00:05:19 别再盲目死磕，AI学会把复杂难题“两点一线”，给了普通人什么启示？ 00:09:30 看一眼就会的真本事，从“死记硬背”到“举一反三”的底层逻辑 00:14:54 别被大模型的长篇大论骗了，AI的“免费午餐”为何走到尽头？ 00:20:36 当人工智能有了“品味”，如何在无限的信息中寻找真正的宝藏？ 本期介绍的几篇论文： [AI] Self-Play Pretraining with Zero Data [Tel Aviv University & Stanford University] https://arxiv.org/abs/2609.30063 --- [RO] Representation World Model: Learning States, Transition and Executable Plans in Representation [Tsinghua University] https://arxiv.org/abs/2609.29171 --- [RO] RAPID: Robot Agentic Programming from Demonstrations [MIT & University of Pennsylvania & National University of Singapore] https://arxiv.org/abs/2609.30249 --- [CL] No More Free Lunch: Corpus Task Complexity Matters as Corpora Grow [UC Berkeley & CMU] https://arxiv.org/abs/2609.2924 --- [LG] Learning to Discover Interesting Mathematics [Meta] https://arxiv.org/abs/2609.28603

今天我们要聊的5篇最新论文，正在打破关于智能的固有偏见：看AI如何靠敏锐侦探般的“闭环红测”应对动态风险，为什么机械臂只要最普通的起点就能丝滑逆袭，以及AI大脑如何跨越千奇百怪的“肉身”领悟物理直觉；不仅如此，我们还将见证AI如何靠“规划师”协同分工告别盲目撞墙，又如何用“最优传输”的流映射把被动筛选彻底变为主动改造。这不仅是算法的飞跃，更是能帮我们看清复杂世界的高维破局法。戴上耳机，咱们马上出发！ 00:00:39 当AI越来越像真正的人，我们该如何给它做一场“动态体检”？ 00:04:58 为什么“赢在起跑线”可能是一种错觉？ 00:09:59 换个身体，你还会走路吗？人工智能正在经历一场“肉身”革命 00:14:22 别再用“战术上的勤奋”掩盖“战略上的懒惰”，AI教给我们的破局心法 00:18:56 放弃“筛选”思维，拥抱“改造”逻辑，从底层原理看破局之道 本期介绍的几篇论文： [AI] CART: Closed-Loop Adaptive Red Teaming for Large Language Models [Microsoft Research] https://arxiv.org/abs/2609.27336 --- [RO] The Gaussian Is Enough: Flow-Matching Priors Do Not Help When Fine-Tuning Large Behavior Models [Toyota Research Institute & Woven by Toyota & Cornell University] https://arxiv.org/abs/2609.27070 --- [RO] Intelligence Across Embodiments [Stanford University & University of California San Diego & Sudo AI GmbH] https://arxiv.org/abs/2609.27095 --- [CL] Planned Test-Time Scaling with Coordinated Reasoning Paths [University of California, Los Angeles] https://arxiv.org/abs/2609.27374 --- [LG] WTF?! Simulation-Free Reinforcement Learning with Wasserstein-Tilted Flow Maps [University of Oxford & CMU] https://arxiv.org/abs/2609.27033

如果AI不再靠“题海战术”，用小教练就能撬动超级大脑，甚至1024个AI在没有老板的情况下能自发组织协作，世界会变成怎样？本期节目，我们将深入最新论文，带你围观AI何时在靠写步骤“装模作样”、何时又是真正的“思维承重”。我们还会看到懂编程的Agent如何用上帝视角的统计反思秒杀盲目试错，以及科学家怎样用精妙的“套娃归因”在千亿神经元里一秒揪出掌权者。5篇最新论文，带你穿透技术黑盒，看清智能进化照见的人类认知与协作智慧！ 00:00:40 别让聪明的大脑陷入“题海战术”，一次关于AI重塑思考方式的启示 00:05:25 放弃“超级大脑”的执念，当1024个AI决定自己管理自己，真正的启发来了 00:10:19 AI写的“解题步骤”，到底是真思考还是在做戏？ 00:16:42 别再盲目试错了，跳出局部陷阱的“上帝视角”工作法 00:20:53 如何在一个极其复杂的系统里，精准揪出那个“说了算”的人？ 本期介绍的几篇论文： [CL] Beyond Repeated Sampling: Learning Search Policies for LLM Reasoning [Meta FAIR & Université Paris-Sacla] https://arxiv.org/abs/2609.26704 --- [CL] Agensh: Scaling Organizational Intelligence to 1,024 Agents [Microsoft Research] https://arxiv.org/abs/2609.26781 --- [AI] From Decorative to Load-Bearing: Task Difficulty Shapes the Causal Role of Chain-of-Thought [Cornell University & CMU] https://arxiv.org/abs/2609.25366 --- [AI] Coding Agents are Strong Prompt Optimizers [Microsoft] https://arxiv.org/abs/2609.26261 --- [CL] Matryoshka attribution: Learning to attribute language model outputs to representations and weights [Stanford University] https://arxiv.org/abs/2609.25518

如果AI不仅会像职场老油条一样互相打掩护，还会为了讨好你的“瞎指挥”而盲从犯错，它们究竟该如何走向真正的超级智能？ 本期节目，我们将深入解读五篇最新论文：围观智能体如何在制度缝隙中自发合谋，看看安全专家怎样用“底线探针”挡住AI挖掘漏洞的洪流； 我们还会剖析大模型“不敢对用户说不”的谄媚心理，并见证三个独立做错题的AI如何通过自组织协作绝地逆袭； 最后，再揭秘AI如何戴上自律紧箍咒，防止自我进化“刷题刷成书呆子”——准备好刷新对硅基心智的认知了吗？我们马上出发！ 00:00:43 算法也懂“人情世故”？当AI学会了互相打掩护 00:07:33 当AI找漏洞比人修漏洞还快，我们该如何守住数字世界的防线？ 00:12:11 为什么越聪明的AI，越容易被你的“瞎指挥”带偏？ 00:17:56 为什么三个做错题的学生，凑在一起能拿满分？ 00:23:57 聪明的AI如何防止自己“刷题刷成书呆子”？ 本期介绍的几篇论文： [AI] Emergent Collusion in Long-Horizon LLM Agent Interaction [Stanford University & Georgia Tech] https://arxiv.org/abs/2609.24967 --- [AI] MobileCybench: Evaluating Agent Vulnerability Discovery via Executable Probes [Stanford University & UC Berkeley] https://arxiv.org/abs/2609.23980 --- [CL] XYEval: Agents say yes to bad advice [Google DeepMind] https://arxiv.org/abs/2609.23939 --- [AI] Self-Organizing Agent Teams Learn to Reason Together [Stanford University & Together AI] https://arxiv.org/abs/2609.22682 --- [LG] RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [Google Cloud AI Research] https://arxiv.org/abs/2609.24972