引领大数据连接、传送以及存储,提供创新半导体及软件解决方案的PMC公司近日宣布,将于2015年8月11-13日在美国Santa Clara会议中心举行的闪存峰会 进行演讲及展示。
PMC企业存储部NVM解决方案副总裁Derek Dicker将做题为“打破大量部署PCIe SSD 的壁垒”的主题演讲。PMC的存储专家们将在论坛上就PCIe、NVMe、纠错以及相关新技术如何影响下一代固态硬盘的部署展开讨论。
PMC 在峰会上的演示包括:
· PMC Flashtec NVMe 控制器:展示PCIe SSD与SATA SSD相比领先的性能以及功能。PMC的控制器基于PCIe的架构,为企业及数据中心提供了一个崭新的性能指标以及灵活的功能设置。
· 展示通过PMC的Flashtec NVRAM加速卡配合Mellanox解决方案用来加速关键应用,展示RDMA和PCIe设备之间NVMe over RDMA以及P to P的数据传输。
· 通过采用SSDExplorer 展现全集成的SSD-NAND 的表征流(characterization flow)
· 展示PMC Flashtec与业界主流闪存颗粒的互通性以及可调节性。
PMC 还将进行8场专题演讲:
· 8月12日,星期三,2:30-3:30 p.m. (主题演讲10)PMC企业存储部NVM解决方案副总裁Derek Dicker将演讲“打破大量部署PCIe SSD的壁垒”。
· 8月11日,星期二,3:15-5:45 p.m. (论坛F-21):PMC NVMe产品市场总监David Allen讲述“NVMe生态圈的发展”。
· 8月12日,星期三,8:30 -10:50 a.m. (论坛F-21):PMC产品开发部技术总监Rino Micheloni将在SSD测试分会做题为“通过SSDExplorer的虚拟平台仿真SSD”的演讲。
· 8月12日,星期三,8:30 – 10:50 a.m. (论坛E-21):PMC产品开发部技术总监Rino Micheloni做题为“通过硬件和算法,稳当的在SSD中超频闪存I/O”的演讲。
· 8月12日,星期三,3:10-5:45 p.m. (论坛D-22):PMC资深产品市场经理Fabian Trumper阐述“NVRAM如何改善软件定义存储方案”
· 8月13日,星期四,8:30- 10:50 a.m. (论坛J-31):PMC资深技术总监Stephen Bates将于PCIe/NVMe存储分会讨论“由ReRAM构筑高性能NVM Express SSD”。
· 8月13日,星期四,12:50 – 1:05 p.m. – PMC将在FMS剧院作演讲。
· 8月13日,星期四,3:10 – 4:25 p.m. – (303-C 分会) : PMC产品开发部技术总监Rino Micheloni演讲“全面集成的SSD-NAND表征流(characterization flow)”。
关于美国闪存峰会(FMS)
闪存峰会为与会者提供了有关闪存现状及其应用的讯息。峰会主题包括:固态盘(SSD)、基于闪存的架构、企业级存储、控制器、企业级应用、PCIe SSD、新非易失存储技术、标准、测试及应用等。峰会的日程包括一天会前研讨,随即是三天的专题讨论会、主题演讲、论坛、论文研讨、教程、最新动态及特别会议等。http://www.flashmemorysummit.com/
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。