戴尔计划在未来12个月内将独立的Compellent和EqualLgoci存储阵列产品线进行统一。
这个消息是由Stifel Nicolaus分析师Aaron Rakers参加一个戴尔分析师会议上透露的。戴尔首席商务官兼企业解决方案总裁Marius Haas表示,两个独立的Compellent和EqualLogic解决方案有时候给客户造成混淆,戴尔打算在未来12个月内发布一款新的统一系统。
Compellent阵列是基于光纤通道的阵列,而Equallogic是基于iSCSI的。两个产品线有独立的操作系统,这意味着戴尔可能需要开发一款新的单一操作系统。
或者,有可能存储阵列会在单一的操作系统下运行,而有两种不同的运行模式,但这就不是真正的统一了。
我们猜测戴尔可能会同时提供光纤通道和iSCSI连接。
Haas并没有说现有的Compellent或者EqualLogic用户可以从哪里获得到这个新统一系统的升级路径。希望双方都可以提供吧。
这个举动从逻辑上是令人信服的,同时也是引人注目的。
好文章,需要你的鼓励
VisTA是一种新型强化学习框架,使视觉AI能够自主探索、选择和组合多种视觉工具。与传统方法不同,VisTA无需人工监督,通过反复尝试学习哪些工具最有效。研究团队在ChartQA、Geometry3K等测试中证明,VisTA显著优于训练免费基线,特别是在分布外样本上表现更佳。其核心创新在于使用群体相对策略优化算法,让AI代理能够根据实际性能而非预设规则来选择工具,为未来发展更灵活的视觉推理系统铺平了道路。
这项研究引入了DFIR-Metric,首个专门评估大语言模型在数字取证与事件响应领域能力的基准测试集。由阿布扎比技术创新研究院领导的国际团队开发的测试包含三个部分:700道理论多选题、150个CTF风格的实际挑战,以及500个基于NIST标准的磁盘与内存取证案例。研究测试了14种顶尖大语言模型,发现虽然它们在理论知识方面表现良好(最高达92.75%准确率),但在需要多步推理的实际取证任务中仍存显著差距(最佳模型仅能解决28%的任务)。
Meta研究团队发现大语言模型在复杂推理任务中,更短的"思考链"反而能带来更高的准确率。研究人员通过三个顶级语言模型的实验证明,选择最短思考链可以比随机选择提高18.8%准确率,比最长思考链提高34.5%准确率,同时显著减少计算资源消耗。基于此,他们提出了"short-m@k"方法,只从最先完成的m个思考中选择答案,既能提高模型表现又能节省高达40%的计算资源。这一发现颠覆了"思考越多越好"的传统观念,为更高效的AI推理开辟了新路径。