北德超级计算联盟(简称HLRN)正着手购置容量超过1PB的分层式克雷(Cray)存储设备,旨在保存其科学研究归档数据。
HLRN作为联合项目,其成员包括柏林、勃兰登堡、不来梅、汉堡、梅克伦堡-前波莫瑞、下萨克森以及石勒苏益格-荷尔斯泰因这七个地处德国北部的州。
该项目所使用的分布式超级计算机系统由柏林楚泽研究所(简称ZIB)以及莱布尼兹汉诺威大学的下萨克森州区域计算中心(简称RRZN)负责托管。
此次克雷TAS(即分层式自适应存储)设备所要打理的数据是由RRZN计算中心在环境、气候及海洋建模、物理、化学、生物信息、工程以及流体力学等领域的研究过程中所产生。
此次安装的TAS设备方案提供超过1PB数据存储容量,其最高扩展能力可达到75PB以上——这样豪华的配置令RRZN的存储管理员与克雷公司的销售代表都感到十分满意。
HLRN中的克雷设备
TAS利用Versity软件对各个归档层加以管理,并支持SSD、磁盘以及磁带等多种存储介质。克雷公司于去年年末正式推出TAS方案,并宣称它能够凭借四个灵活的存储层级完成文件虚拟化以及策略驱动下的自动化数据移动任务。
Cray TAS方案工作原理示意图
RRZN将利用克雷TAS取代原先的甲骨文SAM-QFS系统,新设备将负责支持“德国北部各州对于超级计算资源的大规模需求”,RRZN高性能计算部门负责人Steffen Schulze-Kremer博士表示。
这套TAS归档方案将与RRZN的超级计算系统相集成,克雷公司在采访中同时指出,这将是一套终端到终端数据管理方案,并“涵盖全部软件与硬件,能够消除由大型归档体系在规划、设施以及建设方面所带来的复杂性。”
目前与SAM-QFS配合使用的现有策略引擎还将继续服役。克雷公司表示RRZN的选择“为未来的数据分层需求带来了坚实的发展路线图。”
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。