Emulex公司日前宣布,Emulex万兆以太网(10GbE)技术被惠普以太网万兆双端口557SFP+适配器PCI Express(PCIe)3.0网络接口卡(NIC)采用,用于HP ProLiant Gen9机架式和塔式服务器。通过在最新一代PCI 3.0格式中应用全新Emulex万兆以太网技术,惠普得以凭借针对企业虚拟化和混合云部署的先进特性和功能,为客户提供业界领先的性能、价值及简便性。
Emulex市场营销高级副总裁Shaun Walsh表示:“Emulex为HP ProLiant Gen9服务器提供一系列I/O连接解决方案,全面覆盖不同机型、网络和存储协议。惠普557SFP+网络接口卡具备Emulex独有的隧道卸载、基于聚合以太网的远程直接内存存取(RoCE)等先进特性,能够为客户提供网络功能虚拟化(NFV)、混合云重叠网络等功能,帮助客户在数据中心使用下一代技术。”
基于Emulex OneConnect以太网网络适配器技术的惠普557SFP+网络接口卡能够为HP ProLiant Gen9环境提供以下关键优势:
• 提升网络性能:惠普557SFP+网络接口卡提供比前代适配器高4倍1的小型数据包处理性能。小型数据包处理性能的提升对于IP语音电话(VoIP)、移动消息传递、游戏和部分NFV应用等技术的提速至关重要。
• 凭借隧道卸载提供优越的服务器CPU性能:惠普557SFP+网络接口卡为在VMware上运行的虚拟可扩展局域网(VXLAN)以及采用通用路由封装(NVGRE)隧道的网络虚拟化提供业界唯一的硬件卸载支持。与不具备卸载功能的适配器相比,惠普557SFP+网络接口卡可简化虚拟机(VM)移动性和网络可扩展性,同时优化服务器性能。
• 提升每个服务器CPU单元的I/O处理能力:与不具备重叠网络卸载功能的适配器相比,惠普557SFP+网络接口卡能够为混合云重叠网络提供最高可提升143%的吞吐量以及最高可提升46%1的CPU性能,从而进一步优化服务器性能。
• 加速网络附加存储(NAS)I/O处理:加速的文件存储I/O处理可通过高性能SMB Direct RoCE网络硬件卸载支持增强Microsoft应用的性能。RoCE可通过绕开软件来缩短I/O响应时间并减少NAS基础架构服务器CPU功耗,从而降低CPU利用率、加快数据传输。
HP ProLiant机架式和塔式产品管理副总裁McLeod Glass指出:“在当前的云和移动先行环境中,客户面临着各种挑战,比如日渐复杂的网络流量模式、不断增多的小型数据包以及急需提升的响应能力,他们需要以更少的投入得到更多的产出。全新惠普557SFP+网络接口卡基于Emulex OneConnect技术,成为我们为HP ProLiant客户提供的众多Emulex I/O适配器产品中的最新成员,能够为客户交付其所需的灵活性、协议选择和性能,并降低总体拥有成本。惠普557SFP+网络接口卡提供的先进的万兆以太网功能(比如隧道卸载支持)可提高HP ProLiant服务器的性能和服务器总体效率,这对于最大限度地提高主机的虚拟机密度以及提升加速性能至关重要,并能通过SMB Direct提高Microsoft Hyper-V实时迁移、SQL Server和Microsoft SharePoint等应用的效率。”
采用Emulex技术的惠普557SFP+网络接口卡已于2015年3月30日全面上市。有关该产品或任何其它HP/Emulex产品的详细信息,请访问http://www.emulex.com/hp。
好文章,需要你的鼓励
VMware宣布将终止现有渠道合作伙伴计划,新计划采用邀请制,大幅减少授权合作伙伴数量。未受邀合作伙伴将于2025年7月15日收到不续约通知,可继续交易至10月31日。白标计划也将同时终止。此举是18个月内VMware第二次重大合作伙伴调整,旨在专注与少数核心云服务提供商深度合作。客户可能面临续约困难、服务质量下降和成本上升等影响。
StepFun公司推出的Step1X-Edit是首个能够媲美GPT-4o和Gemini2 Flash等商业模型的开源图像编辑AI。该模型通过整合多模态语言理解和扩散图像生成技术,能够处理11种编辑任务,在新构建的GEdit-Bench基准测试中表现优异,为图像编辑技术的民主化开辟了新道路。
谷歌DeepMind和伦敦大学学院研究发现,大语言模型在面对反驳时会迅速失去信心并改变答案,即使反驳是错误的。研究显示LLM既会对自己的答案过度自信,又对批评异常敏感,表现出与人类相似但又独特的认知偏差。这种行为对多轮对话AI系统构成威胁,最新信息可能对LLM推理产生不成比例的影响。
BluOrion公司开发的ZClip是一种智能梯度裁剪算法,解决了大型语言模型训练中的梯度爆炸和损失飙升问题。通过Z分数统计检测和动态调整策略,ZClip能够自适应地控制梯度幅度,相比传统固定阈值方法提升训练效率35%以上,同时显著降低训练失败风险,为大模型训练提供了更稳定、高效的解决方案。