甲骨文公司将在其闪存存储峰会上作出主题演讲,借此强调即将推出自家NAND类产品。
本次演讲将由Mike Workman负责发布,这位长期以来一直同磁盘业务打交道的高管如今担任着甲骨文方面的闪存存储系统高级副总裁。他此前曾出任Pillar Data公司CEO——该公司于2011年被甲骨文所收购,曾经打造出基于磁盘驱动器的Axiom存储阵列系列产品。而在业余时间,他还经营着一家酒厂、多次参加烟花表演、饲育着多条腊肠犬并长于拍摄水下照片——当然,这些爱好可不是同时进行的。
最新的一款Axiom产品为混合闪存/磁盘阵列FS1,其于去年9月正式投放市场。
Workman的演讲将于8月11日中午11:30开始,但目前尚未公布具体标题。也许届时我们将了解到将随FS2一同推出的新型闪存技术方案。
甲骨文公司闪存存储系统高级副总裁Mike Workman
另一场主题演讲则由NetApp公司产品解决方案营销副总裁Lee Caswell带来,这也是NetApp方面在闪存领域作出的另一次自我展示尝试。他将于8月13日登台,为现场听众带来更多与FlashRay相关的消息——当然,全闪存FAS与EF系列存储阵列肯定也会被提及。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。