随着三级单元(简称TLC)NAND普及程度的稳步提高,Silicon Motion公司正积极图谋利用其于本周闪存存储峰会上发布的最新SSD控制器进一步加快上述趋势。该公司表示,其商用SM2256每秒6Gbit SSD控制器支持1x/1y/1z TLC NAND,不仅是该类别中的首款产品、而且建立在其去年发布的初代SATA 3 SSD控制器的容量基础之上。
Silicon Motion公司美国SMI副总裁兼总经理Robert Fan表示,SM2256的设计目的在于利用其客户端设备为大量TLC NAND提供支持——其中包括3D NAND,并计划借此帮助OEM厂商获取包括固件在内的完整软件包、从而不断向市场投放新的TLC NAND SSD产品。他强调称,这项新型控制器技术将有助于降低TLC NAND SSD产品价格,从而使其应用在更为广泛的客户端设备之上——其中包括目前仍普遍使用传统磁盘驱动器的笔记本设备。
今年早些时候IHS Technology发布了一份报告,调查发现目前HDD市场由于智能手机与平板设备的快速崛起而陷入困境,这种状况也在一定程度上给消费级PC市场带来了影响。不过SSD市场仍在持续增长,这要归功于近来出现的SSD成本下降外加超级本与超薄式PC设备所引发的闪存驱动器使用热潮。
TLC NAND方案面临的关键性挑战之一在于使用寿命,就这一问题Fan表示可以利用合理的控制器技术成果加以解决,而这反过来都会进一步促进TLC NAND的普及。SM2256控制器当中包括该公司的NANDXtend技术,根据他的说法,该技术能够为TLC NAND带来三倍于初始水平的P/E生命周期、同时克服了其在耐用性及数据保留方面的短板。
在性能方面,SM2256的连续读取能力可达每秒524Mb,连续写入能力则可达每秒400Mb,而随机读取与随机写入则分别可达9万IOPS与7万IOPS。Fan表示SM2256的完整设计工具如今已经正式推出,其中包括一份控制器数据表、评估方案、原理图以及固件。该产品也能支持客户的自定义固件。Silicon Motion预计使用SM2256控制器的闪存产品将于明年年初与广大用户见面。
Objective分析公司首席分析师Jim Handy指出,Silicon Motion目前在对应市场区划中拥有极具吸引力的定位,这主要是考虑到希捷已经收购了LSI、而Marvell也受到了相当程度的认可。尽管Silicon Motion并没有在建立之初就迈入SATA SSD控制器供应商阵营,但该公司自去年开始已经开始冲击这一市场,并依靠自身在USB设备控制器方面的丰富经验为TLC产品推广与使用体验改进提供辅助,他解释称。
Handy表示,他曾在一年前预计TLC将迎来普及度提升,并指出这样的成长轨迹与MLC闪存颇为相似——后者当初也曾被认为无法胜任客户机SSD的可行方案。然而在找到了市场突破口之后,MLC最终还是取得了进军企业级市场的途径。他认为TLC将遵循同样的发展路线——在不久的将来被应用为客户机SSD,并最终出现在企业设备当中。当然,这一切在未来一到两年中恐怕还无法实现。
与此同时,内存供应商们正积极寻求改进NAND整体成本竞争力的办法。举例来说,美光公司正在推进其16纳米TLC路线图,并预计将在今年年底时拿出16纳米TLC产品的示范性组件——基于客户机的TLC SSD则将在2015年春季面世。三星曾于2012年秋季公布过采用TLC机制与21纳米制程技术的64 Gbit NAND闪存产品,并于2013年5月公布了采用10纳米级别制程技术以及128 Gbit TLC NAND芯片的高级NAND闪存设备。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。