昆腾近期宣布推出三个将云整合到多层、混合存储架构,以期满足严苛的数据负载需求的创新解决方案。与其他云产品不同的是,昆腾拒绝采用一刀切的做法,在给定工作流程或应用的情况下,创新 Q-Cloud解决方案让客户能够充分利用昆腾的智能数据管理软件,将数据存储在云中。作为Quantum StorNext 5工作流程环境内的异地层,Q-Cloud Archive和Q-Cloud Vault纳入公有云的强大功能;而Q-Cloud Protect for AWS则帮助使用昆腾DXi重复数据删除设备的客户将数据复制到Amazon Web Services云中。通过所有这三个产品,客户能够实现云的所有好处,并且不必更改现有应用或流程。
云计算的优势令人深信不疑,但是对于严苛的工作流程来说采用受到限制
云计算通过提供“将资本支出转为运营支出,缩短管理时间,以及让用户能够按需扩容”等显著优势,明显改变了传统IT策略。但是,对于那些拥有复杂、数据密集型工作流程的企业来说,云只发挥了有限的作用。例如:捕获并评估卫星图像,制作并分发高清视频,以及为网络安全防御措施采集并分析网络流量等等。这些要求严苛的工作流程需要可靠、安全、高性能,并与应用程序紧密集成的基础架构——这是大部分云产品无法提供的。此外,云计算的固有延迟,以及在云中访问大量数据所产生的巨大成本为客户管理“需要存储的数据”等问题带来了挑战。
昆腾多层、混合方案的强大能力
考虑到云计算的优势和挑战,昆腾方案让客户能够将公有云存储与现场存储整合到一个多层、智能管理、以应用程序为核心的架构中。不是像其它许多提供商通常所采用的方法那样——将云作为被动的存储库,或者满足所有需求的方案。昆腾将云作为一个主动层,整合到一个由应用要求而驱动的混合存储基础架构中。这种全面的方案为客户提供了一个性能、访问、规模和效率的最佳组合,它不仅是今天推出的Q-Cloud的基础,也是昆腾目前正在开发的创新云产品的基础。
Q-Cloud Archive和Q-Cloud Vault:方便、灵活、可靠
Q-cloud Archive和 Q-Cloud Vault是昆腾提供的公有云存储服务,Q-Cloud Archive能够快速按需访问云中的数据,Q-Cloud Vault针对长期数据保留和灾难恢复而提供“冷藏”。除了一般的云计算优势,其它关键功能和好处还包括:
• 全面集成为StorNext 5托管的工作流程中的一个层,并且能够根据策略自动迁移数据
• 无需额外的硬件、单独应用或编程
• 满足不断变化的负载需求的灵活性
• 全球公有云基础架构的可靠性
• 昆腾直接定价和计费。
• 安全、加密的数据传输和存放。
• 昆腾世界一流的服务与支持。
StorNext客户还可将Q-Cloud Archive和Q-Cloud Vault与昆腾Lattus扩展在线存储一起使用,包括将数据从基于Lattus对象存储技术的内部私有云迁移到Q-Cloud。
Q-Cloud Protect for AWS:将DXi数据保护延伸到亚马逊云
作为订阅服务通过Amazon Marketplace而提供的Q-Cloud Protect for AWS让客户能够从内部的物理或虚拟DXi设备复制到AWS云中的虚拟DXi实例。关键功能和优势包括:
• 轻松访问亚马逊公有云而获得优势,无需对应用或流程进行更改
• 最高效的重复数据删除方法所实现的成本节约
• 安全、加密的数据传输和存放
中国地区昆腾Q-Cloud for AWS 发售情况将在晚些时候发布。
支持的言论
• John Stevens, [title], MTI Film
“我们选择昆腾Lattus产品作为我们私有云的基础来扩展在线存储的关键所在是因为— — 通过与昆腾StorNext的无缝集成,我们能够提供智能数据管理。增加的公有云层同样也被昆腾StorNext管理,在我们的内容工作流中,昆腾给予我们提供更高效率的能力。”
• Jason Kranitz,Integrated Media Technologies Inc销售副总裁
“通过昆腾Q-Cloud Archive 和 Q-Cloud Vault,无论对于工作流引导层还是层感知,客户都能够从昆腾StorNext5 获得利益。特别是对于高需求的数据环境来说,这是最有效的方式,也是使用云的关键所在。”
• Dave Simpson,451 Research存储高级分析师
“将云作为另一个存储层选项,而不是所有数据应驻留的地方,这一点非常重要。昆腾所采用的方案是在其跨越存储层、在存储层内部管理并保护数据的专业知识的基础上构建的。此外,新的Q-Cloud产品增强了StorNext和DXi所提供的价值,不仅对当前客户,对其它一直犹豫是否采纳云计算的用户来说也是如此。
• Geoff Stedman,昆腾StorNext 解决方案高级副总裁
“有效管理数据就是根据客户工作流程或应用的指引,在合适的时间通过合适的技术将数据放在合适的位置。这就是为何我们致力于将新Q-Cloud解决方案部署在更广泛的智能托管的混合架构中,它让客户能够尽可能以最高效、最有效的方式优化利用内部和云存储。”
好文章,需要你的鼓励
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。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。