RAG 2.0架构详解：构建端到端检索增强生成系统
RAG（检索增强生成）旨在通过提供额外上下文帮助大型语言模型（LLM）生成更精准的回答。现有的RAG系统由独立组件构成，效率不高。RAG 2.0提出了一种预训练、微调和对齐所有组件的集成方法，通过双重反向传播最大化性能。文章探讨了不同的检索策略，如TF-IDF、BM25和密集检索，并介绍了如SPLADE、DRAGON等先进算法。目前的挑战包括创建可训练的检索器和优化检索-生成流程。研究表明，端到端训练的RAG可能提供最佳性能，但资源需求高。未来研究需关注检索器的上下文化和与LLM的协同优化。
[译][AI 机器人] Atlas的电动新时代，不再局限于人类运动范围的动作方式
波士顿动力宣布液压Atlas机器人退役，推出全新电动Atlas，旨在实现更广泛的实际应用。这款全电动机器人将拓展人类运动范围，解决复杂工业挑战。现代汽车公司将参与其商业化进程，作为测试应用场景。波士顿动力计划与创新客户合作，逐步迭代Atlas的应用，打造高效、实用的移动机器人解决方案。Atlas将结合强化学习和计算机视觉等先进技术，通过Orbit软件平台进行管理，未来将在真实世界中发挥超越人类能力的作用。
JCR一区10.9分｜单细胞：有一手数据的肿瘤课题组怎么冲高分文章
这篇文章介绍了在《肿瘤免疫疗法》杂志上发表的一项研究，该研究利用单细胞RNA测序技术揭示了肝细胞癌（HCC）中FABP1（脂肪酸结合蛋白1）依赖的免疫抑制环境。研究分析了II期和III期HCC患者样本的免疫细胞，发现FABP1在III期HCC的肿瘤相关巨噬细胞（TAMs）中过度表达，并与免疫抑制有关。FABP1与PPARG（过氧化物酶体增殖物激活受体伽玛）相互作用，促进了HCC中的脂肪酸氧化，进而影响免疫应答。