作为Fusion-io的持有者,SanDisk公司曾于2013年4月收购了Nexgen及其混合闪存/磁盘阵列业务。但如今该公司做出决定,着手将Nexgen分离出去作为独立业务进行运营。为什么要这么做?
SanDisk公司执行副总裁兼首席战略官SumitSadana在一份声明中指出:“混合系统当中所涉及的硬盘驱动器并不从属于SanDisk的战略关注范畴。将ioControl业务分离出去能够帮助我们将主要精力与资源继续放在我们的核心业务身上,同时也能让这家独立企业在瞬息万变的企业级存储市场上抓住更多发展机遇。”
根据我们的理解,作为一家主要面向flashDIMM、PCIe闪存卡以及SSD等产品的闪存存储组件供应商,SanDIsk并不打算与那些专门利用此类组件构建存储阵列的OEM客户们发生正面竞争。有鉴于此,NexGen的ioControl产品线恰好是将PCIe闪存卡(用于实现理想性能)与磁盘驱动器存储(用于提供充裕容量)相结合,这显然违背了SanDisk的既定方针。
这家新成立的企业名为NexGen存储有限公司,SanDisk将继续为其提供PCIe闪存卡设备、但却不再保留对其的所有权。
NexGen公司将由联合创始人兼CEO Jon Spiers负责领导,他表示在过去二十个月中,该公司作为SanDisk旗下的ioControl部门已经“实现了显著的营收增长,迎来数百家新客户并几乎将研发领域的投入额度提高到原先的三倍。”
除了加快新型技术及产品的交付速度之外,拥有独立的运营地位还将使得NexGen在销售、市场推广以及渠道销售规划等方面更上一层楼。
2013版ioControl阵列内部布局一瞥
Spiers在一份声明当中表示:“NexGen公司的创立初衷正是为了解决用户在性能水平与管理便捷性领域面临的挑战,而具体解决方案在于采用多种不同存储类型,包括NVDIMM、闪存、硬盘驱动器、云存储层以及其它一些尚未投入商业使用的技术方案。获得独立运营地位使得NexGen公司能够保持其技术发展思路并为客户提供最出色的服务。”
大家需要对“NVDIMM”格外留意(即非易失性DIMM)。SanDisk公司已经在为联想、华为以及Supermicro等企业供应ULLtraDIMM系统。Tegile公司也很可能成为这项技术的潜在客户,即直接通过Diablo Technologies实现获取。竞争对手Nibmle Storage自家开发出的flashDIMM技术则借用了来自Netlist的初始方案。
FlashDIMM所提供的数据访问速度甚至比PCIe闪存卡更出色。在我们看来,目前已经有一些迹象表明NexGen公司将利用flashDIMM技术对自家系统方案进行加速。相信NexGen会在不久的将来陆续披露一系列新技术与新产品。根据我们了解到的情况,此类产品中的闪存容量比例较其它混合系统高出六倍,闪存存储容量高出四倍、性能提升也将达到市场竞品的三倍。
产品中还将配备一套以数据优先级驱动的缓存系统,能够将单一虚拟机的使用成本降低25%。之所以能取得如此显著的改善,是因为这套缓存系统会对进入闪存的数据进行优先级排序。
Nexgen公司如今已经有能力以更为强健的立足点同市场上的其它新兴混合阵列供应商开展竞争,其中包括Nimble Storage、Tegile以及Tintri。此外,来自各大主流供应商的混合阵列以及X-IO的HyperISE产品也可能与其存在业务交集。
由于业务拆分尚未正式公开,所以我们还不清楚Nexgen目前是否已经能够盈利,抑或是尚需要SanDisk方面提供资金来推动其业务增长或者寻求风险投资方的援助。
希望Nexgen能在新的一年中迎来顺利的发展态势,我们也期待着这家浴火重生的企业带来不俗的表现。年轻人,该上路啦。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。