英伟达正式开源RTX Remix技术，助力开发者重制经典游戏

7月5日，英伟达宣布RTX Remix技术在广泛Beta测试后正式开源，旨在助力开发者革新DirectX 8和9时代的游戏。

该技术依托于Omniverse平台，集成渲染器与工具套件，便于MOD开发者实施光线追踪、DLSS 3.5等升级，为旧游戏增添现代图形效果与物理材质的真实感。

通过RTX Remix REST API与ComfyUI集成，MOD制作者能够轻松利用AI模型为游戏纹理增添细节，甚至仅凭简短文字指令即可变换游戏场景。英伟达计划开放API接口至更多DCC工具（如Blender）、Mod工具及AI应用，同时发布Remix Runtime SDK，以便MOD社区将此渲染技术应用于更广泛的游戏与软件中，推动经典游戏的次世代重生。

英伟达GeForce NOW云游戏七月新增22游戏，包括《鸣潮》与《第一后裔》

英伟达GeForce NOW云游戏服务本（7）月迎来游戏阵容大扩充，22款新游戏强势加盟。其中包含《鸣潮》与NEXON新作《第一后裔》尤其引人注目，已于近期登陆平台。

本周已上线游戏包括：

《空战猎鹰》（Epic平台）

《第一后裔》（Steam平台）

《Star Traders: Frontiers》（Steam平台）

《鸣潮》（官网与Epic平台）

即将于7月后续时间上线的精选游戏有：

《七日世界》（7月9日，Steam平台）

《愤怒的大脚》（7月11日，Steam平台）

《The Crust》（7月15日，Steam平台）

《Gestalt: Steam & Cinder》（7月16日，Steam平台）

《燧石枪：黎明之围》《辛特堡传说》《诺兰德》（7月18日，Steam与Xbox平台）

以及其他多款游戏，横跨策略、动作、模拟等多个类型，陆续于7月22日至30日上线Steam平台，包括《灾厄堡垒》《战壕惊魂》《F1车队经理2024》《地球防卫军6》等。

前工程师爆料：AMD与英伟达收购案差之毫厘

日前，Hemant Mohapatra 发布多条推文，表示在21世纪初期，AMD公司差点就收购了英伟达公司。Mohapatra 21 世纪初在 AMD 公司工作了 6 年以上时间，帮助设计了 CPU、APU 和 GPU 产品，他分享了在这段时间的见闻。

他表示 2002 年至 2008 年间，AMD 由电气工程师赫克托・鲁伊斯（Hector Ruiz）领导，他是公司的第二任首席执行官，接替 AMD 创始人杰里・桑德斯（Jerry Sanders）掌权。

AMD 公司于 2006 年以 54 亿美元的价格，收购了显卡制造商 ATI，并将其产品重新命名为 Radeon 显卡系列。

桑德斯希望继续收购英伟达公司，不过黄仁勋拒绝收购要约，提出的条件是让他成为联合公司的首席执行官，通过 CUDA 架构和英伟达芯片实现“硬件和软件锁定”。

桑德斯任期内，AMD 并未将英伟达视为和 Arm、英特尔“同级”的公司。Mohapatra 认为英伟达之所以能取得今天的成绩，和黄仁勋不畏困难、持续努力的精神是分不开的。

英伟达革新AI微调范式：Llama 3借RankRAG框架力压GPT-4，重写大模型竞争格局

最近，一场人工智能领域的革新风暴正在悄然兴起，源自佐治亚理工学院与英伟达的杰出华人学者们，他们携手打造了一款革命性的微调框架——RankRAG。

不同于传统RAG（Retrieval-Augmented Generation）流程的繁琐与冗长，RankRAG巧妙地将检索、排名与生成三大核心环节融合于单一的大型语言模型（LLM）之中，极大地提升了模型的工作效率与效能。

RAG（Retrieval-Augmented Generation）是LLM部署中常用的技术，特别适合需要大量事实知识的文本生成任务。通常，RAG的流程是：基于文本编码的稠密模型从外部数据库中检索top-k文本段，然后LLM进行读取和生成。这个流程已经被广泛使用，但也有局限，比如k值选择。如果k值太大，即使是支持长上下文的LLM也难以快速处理;如果k值太小，又需要高召回率的检索机制，而现有的检索器和排名模型各有不足。

基于上述问题，RankRAG框架提出了新思路：通过微调扩展LLM能力，让LLM自己完成检索和排名。实验结果表明，这种方法不仅提高了数据效率，还显著增强了模型性能。特别是在多个通用基准和生物医学知识密集型基准上，RankRAG微调出的Llama38B/70B模型，分别超过了ChatQA-1.58B和ChatQA-1.570B模型。

RankRAG的关键在于其高度的交互性和可编辑性。用户不仅可以实时查看AI生成的内容，还能直接在界面上进行编辑和迭代。这种即时反馈机制大大提高了工作效率，让AI真正成为创作过程中的得力助手。更令人兴奋的是，本次更新让这些Artifacts不再局限于Claude平台内部，用户可以轻松地将它们分享到任何地方。

这次RankRAG微调框架的创新还包括两个阶段的指令微调。第一阶段进行监督微调（SFT），混合多个数据集以提高LLM的指令跟随能力。第二阶段的微调数据集包含多种QA数据、检索增强的QA数据和上下文排名数据，进一步提升LLM的检索和排名能力。

在实验中，RankRAG在九个通用领域数据集上的表现始终优于当前的开源SOTA模型ChatQA-1.5。特别是在具有挑战性的QA任务中，如长尾QA和多跳QA，RankRAG比ChatQA-1.5提高了10%以上的性能。

总的来说，RankRAG不仅在检索和生成任务中表现出色，还在生物医学RAG基准Mirage上展示了其强大的适应性。即使在没有微调的情况下，RankRAG在医学问答任务上的表现也超过了许多专业领域的开源模型。

随着RankRAG框架的提出和不断完善，我们有理由相信，AI与人类协作创作的未来将更加光明。无论是独立开发者还是研究人员，都能利用这一创新框架激发出更多创意和可能性，推动技术和应用的发展。