固态闪存已经被广泛应用于许多主流产品内,因此厂商目前已经将他们的目光转向了闪存在吞吐量与耐用性方面的表现。你可以透过他们在这些领域的创新找到背后所隐藏的问题。 固态磁盘缓存技术早已成熟,不再有当初新上市时候的光鲜,而成为一种必备的功能。因此,当前绝大多数技术围绕着如何改进固态磁盘的性能与可靠性。
早些时候,固态磁盘缓存通常以单块磁盘的形式使用。随着技术的日益成熟,厂商开始用多块固态磁盘来提升其性能并防止数据丢失。
数年之前,闪存存储常常被认为一种低可靠性的方案,因为其中的每个单元最终都会磨损耗尽。而今天,闪存存储已经和磁盘同样可靠耐用——如果不说更胜一筹的话。即便如此,闪存驱动器最终仍会失效。对于读缓存而言看似问题不大,但对写缓存而言这是个不小的难题。假如写缓存是由单块磁盘构成的话,那么这块驱动器的失效意味着上面所有数据的丢失。Synology等厂商通过用第二块固态闪存作为写缓存镜像的方案力求避免这类问题。在主固态闪存驱动器出错的时候,第二块固态闪存驱动器上的内容会被立刻激活,而且即便第二块也一同失效时,写缓存还会暂时保留数据。
从性能角度来看,厂商一直在努力最大化固态闪存的性能吞吐量。他们中的一部分会为读写操作配置单独的闪存。而另一些则使用基于PCI Express连接的闪存存储。另外还有一种日益流行的做法,将闪存条带化分布于多块固态磁盘上,从而克服磁盘控制器的带宽限制,改善总体性能。
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。