高速DDN全力冲击企业级市场。
DataDirect Networks公司目前可谓是春风得意,其阵列产品正被大量出售给那些不打算从主流存储厂商处购买设备的企业客户。
DataDirect Networks公司刚刚迎来了其18年发展历程当中业绩表现最出色的一个季度,同比两位数的营收增长率让EMC、惠普、IBM以及NetApp等遭遇传统存储方案销售额缩水的老牌巨头面目无光。
DataDirect Networks公司已经在高性能计算客户群体当中积累到了旺盛的人气,从而将业务拓展到企业级市场当中,最终顺利实现高速存储阵列与高容量对象存储(即WOS)产品线的全线飙红。
作为两家强大的厂商,戴尔与EMC在将大部分精力集中在合并与重组现有运营及产品技术之余,并没能在数据密集型产品领域拿出理想的规划,这就给DDN公司留下了可乘之机。
DataDirect Networks公司产品管理与全球营销执行副总裁Molly Rector就直接对此做出了评论,表示:"我们坚信自身构建软件套件并利用商用组件打造专业硬件的发展战略要优于EMC方面以技术收购为主体的运营思路。"
随着中型及高端企业对于数据存储需求的不断走高,DataDirect Networks公司预计将迎来更为光明的发展前景。
DDN公司目前可谓存储速度表现方面的王者,利用NVMe构建而成的WolfCreek能够大幅提高数据读取速度,从而打造出更加出色的内部存储解决方案;Rector强调称其传输带宽可达到每秒50 GB以上。另外其还拥有一套交换PCIe架构,未来还将拥有支持3D SSD的能力。
DataDirect Networks公司现在拥有600多名员工,同时也是规模最大的私营制存储厂商。这家公司的显著特色在于中型规模以及强大的盈利能力,Rector表示相比之下,其它各高速发展的存储初创企业往往还处于快速烧钱和大幅亏损的阶段。
她宣称DDN公司正在快速扩张:"我们目前正在着力拓展自身产品组合。客户当下还看不到太多迹象……不过我们在转向超大规模运营状态的过程中完全没有遇到任何阻碍。"
DataDirect Networks公司的产品组合包括WolfCreek IME高速方案、ExaScaler与GridScaler两款SFA阵列以及对象存储类产品MediaScaler与WOS。
目前已经有一家客户在WOS当中存储了约2600亿个文件。另有多家企业客户拥有规模高达30至60 PB的WOS存储库。DataDirect Networks公司还有意将WOS打造为一套软件平台,从而服务于那些更倾向于使用自有硬件的客户。
Rector指出,各对象存储供应商都会在对象规划与磁盘设备之间建立一套文件系统:"其它厂商目前仍然在使用XFS或者EFS,这会直接导致存储容量出现损耗。而我们的方案则能够保证客户使用100%存储容量,即不需要为文件系统本身提供任何额外的存储空间占用量。"
如此一来,DDN公司得以在磁盘驱动器与阵列当中存储更多数据。她同时表示,WOS的速度表现亦非常出色:"V2.0 WOS 360是目前市面上延迟水平最突出的对象存储方案",其主要特色在于能够将延迟水平、也就是数据起始时间削减至竞争对手对象存储系统的十分之一。这种强大的能力使其更适合被用于承载实时视频流数据。"
Rector认为这种转变已经开始在向外扩展NAS领域逐步出现,即客户慢慢摆脱Isilon以及NetApp并转投基于对象存储机制的向外扩展NAS方案怀抱。根据我们掌握的情况,DDN公司有可能会着手打造属于自己的向外扩展高性能NAS产品,其将支持100到1000名用户,且也许会利用OpenStack作为前端。
在我们看来,WolfCreek还很有可能推出分别面向面向Windows与Linux系统的版本,另外DDN公司也在积极探讨推出企业级全闪存阵列的可行性。
DDN公司正着力以规模与速度为基础进行业务拓展,而且拥有着一整套涵盖了高性能级别速度表现、普通近线存储以及冷门在线归档能力的内部协同产品组合。预计该公司将在今年年底发布更多新产品公告。
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。