富士通公司的模块化阵列产品线开始对高端方案进行更新,其第三代ETERNUS DX8700 S3产品与新的DX8900 S3阵列令人眼前一亮。在新的高端性能巨兽面前,上代方案显得孱弱不堪。
富士通公司英国及爱尔兰分部存储业务负责人David Histon在采访中指出:“ETERNUS DX8700 S3系列产品立足于新型架构,我们将其称为四星架构。以这一概念为基础,我们打造出了DX8700 S3与DX8900 S3机型。其中DX8900 S3属于DX8700 S2的后续产品,其拥有最多24个控制器模块与400万IOPS的扩展能力上限。”
他同时表示,富士通公司“将根据实际负载场景为该系统带来更为出色的IPOS表现。”
而在背景信息方面,他解释称:“其完全基于S3家族的设计概念与平台,因此意味着其拥有S3架构、第三代PCIe接口以及四星架构。具体而言,其具备S3家族的软件功能,例如透明化故障转移、服务质量管理器、AST、重复数据删除以及压缩等等,而且这些特性在DX8000系列下的全部机型上皆有提供。”
DX8700 S2是一款诞生于2011年11月的产品。我们猜测富士通方面可能有意调低了DX8700 S3的容量水平,从而为DX8900 S3保留更多扩展空间。
Histon同时指出:“DX8700 S3属于DX8900 S3的小兄弟。DX8700 S3的缓存容量更小而且控制器模块数量更少,但其仍然使用新型架构并提供超高缓存容量作为备选项目,我们能够最多为DX8700 S3添加24 TB的额外缓存空间。”
DX8900 S3的最大存储容量扩展上限为13.8 PB,且号称能够提供400万IOPS。NetApp公司的FAS8080属于其FAS产品线中的枯朽,同样拥有400万IOPS,但最高存储容量仅为5.8 PB——在这场比拼中,富士通方面得一分。
DX8900的控制数量为2到24个(NetApp公司的Clustered Data ONTAP也提供同样的数量支持),在概念上各控制器构成环状结构并接入四台前端路由器,且每台路由器与控制器各自相连。互连机制采用第三代PCIe,富士通公司表示其中包含用于实现负载均衡优化的主动-主动跨通道连接机制。
富士通公司向我们保证即使前端路由器或者控制器发生故障亦不会造成任何停机事故,而这要归功于其透明化故障转移与端到端冗余保护机制对于组件故障的应对能力。RAID保护机制能够解决驱动器故障问题。而两台DX8900之间的镜像同步则能够将阵列整体故障变得不再是问题。
每一套存储控制器对都可最多接入384块磁盘驱动器或者SSD。十二套控制器对乘以384块驱动器意味着我们最多可以向其中接入4608块驱动器。
相较于DX8700 S2,DX8900 S3拥有高达八倍的IO性能、八部传输带宽以及十二倍总线性能。
自动化服务质量机制则是ETERNUS的一大特色。存储管理员能够为一套存储分卷定义预期响应时间(或者优先级)。该阵列系统能够追踪实际响应时间,同时调整指向该LUN的传输带宽并在必要时重新设置存储层,从而实现理想的响应时间水平。富士通公司指出,这项技术可被用于支持虚拟服务器的服务水平管理。
DX8900是一款真正意义上的大型存储阵列,且拥有企业级可靠性水平。富士通方面将其作为巩固在线事务处理(简称OLTP)、大规模数据库、文件服务、关键性业务应用程序以及商业分析与/或大数据的重要依托,而且企业及云服务供应商能够将此类负载通过这套单一多因素体系加以实现。
根据我们的汇总结果,富士通的ETERNUS系列已经正式步入向外扩展、双控制器阵列时代,其集群节点数量与NetApp麾下的旗舰级ONTAP产品相当,拥有超越FAS8080的存储容量且具备出色的可靠性水平。
DX8700 S3与DX8900 S3都将于今年8月1日正式投放市场。我们得到的消息是其“不同配置及不同地区市场上的价格有所差异”,但富士通公司尚未披露任何具体数字。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。