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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。