NetApp将以新的产品替代其高端FAS阵列,并且取消单独的FAS3000中端阵列产品。
今年2月NetApp发布FAS8000系列的时候,这是当时的FAS家族产品图:
这些型号大体上是以两个纬度被定位的:横轴是性能,从低到高,纵轴是容量,从低到高。红色是FAS8000系列,黄色、绿色和蓝色分别是FAS2200系列、FAS3200系列以及FAS6200系列。
FAS8000系列取代了大多数3200系列和6200系列的型号,给NetApp留下了升级FAS2200系列、3000系列和6290到采用相同技术的FAS8000系列。这就是NetApp现在正在做的事情。
根据透露的信息,最终FAS2500和FAS8000系列将是这样的:
新产品型号的命名包含最高容量以及驱动器的数量,外加Virtual Storage Tier(VST)中的最高闪存容量,可以与所替代的产品进行对比。总结来看,这些变化包括:
- 新的入门级FAS2520取代现有的FAS2220
- FAS2552取代FAS2240-2
- FAS2554取代FAS2240-4
- FAS/V3220取消
- FAS8080EX取代FAS/V6290
与FAS8000系列一样,FAS2500系列具有闪存加速、纵向扩展实现大规模可扩展性以及集群横向扩展的特点。看起来FAS2500系列似乎不支持能够让FAS阵列管理和虚拟化EMC、HDS以及NetApp E系列阵列的FlexArray软件。
这款硬件还可以连接到全球275家服务提供商的云,使用FAS阵列的操作系统Data ONTAP。而且具有新的IO配置,FAS2520支持10Gb,FAS255x支持UTA2。
分销渠道合作伙伴被告知,已经有超过6万台已安装的入门级FAS阵列可能需要升级到FAS2500系列。而且新产品具有零停机升级、更新以及更换的特点。
FAS2500系列的竞争对手包括:
- EMC VNXe3150/3300
- HDS HUS110
- Nimble CS200/CS400
- HP MSA1040/2040以及StoreServ 7200
- Dell EqualLogic PS系列
据NetApp称,以上这些产品都不具有完整的统一架构。
FAS8080EX采用了不同的处理器组,核心数比8060多出25%(一共40个),速度提高1.7倍,具有2倍的内存、闪存和NVRAM。与6290m相比,它具有1.7倍的核心,1.5倍的闪存,1.3倍的内存,以及4倍的NVRAM。
总的来看,FAS8080EX可以提供400万IOPS,有70PB的横向扩展容量,99.999%的可用性(5个9)。
我们还没有看到任何8080EX的竞争力信息,但是我们估计定位要低于EMC VMAX、HDS VSP以及IBM DS8000/XIV产品。FAS8080EX预计将在6月中旬上市。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。