在关闭了全闪存存储业务的一年之后,数据中心巨头思科正在显示出对软件定义存储和全闪存存储市场日益浓厚的兴趣,新增了对Elastifile的投资。
设在以色列荷兹利亚的Elastifile本周二透露,思科是其最新的投资方。在此之前,Elastifile在1月的融资中,有6家未公布的服务器、存储和数据中心公司参与了这次规模3500万美元的投资。
Elastifile并没有公布思科投资的金额,但据路透社报告,思科此前已经对该公司投资了1500万美元。针对此次投资事宜,Elastifile和思科都没有对提供更多信息的请求作出回应。
据了解,Elastifile开发的软件定义存储技术允许商用服务器硬件配置为全闪存存储阵列,具有分布式文件、对象和块存储能力,作为企业级横向扩展主存储解决方案的一部分。这项技术支持OpenStack/KVM、VMware vSphere以及Linux容器。该公司宣称这项技术融合和计算与存储资源,可以扩展至数千个物理节点,提供数千万IOPS,延迟不到2毫秒。
据悉,这套解决方案是针对闪存优化的,可以利用商用SSD或者NVMe或者PCIe闪存卡。对于服务器和网络领域的领导厂商思科来说,对Elastifile的投资是最近它在存储方面所做的最近一次尝试。
虽然思科与存储厂商NetApp在开发FlexPod融合基础设施解决方案方面建立了强大的合作关系,但是与NetApp竞争对手EMC的关系正在面临巨大压力,因为思科竞争对手戴尔正在收购EMC。
思科在2013年底以4.15亿美元收购了全闪存存储厂商Whiptail,创建了Invicta业务,但这项业务从来都没有站稳脚跟。思科因为与大多数顶级存储厂商包括EMC和NetApp都创建了重要的合作伙伴关系,所以坚称Whiptail技术将不会作为一款独立的存储解决方案出售,而是作为针对思科UCS服务器产品线的存储加速技术。以至于思科去年停止开发Invicta,而后者是思科目前为止在存储方面所做的最大一笔投资。
不过,这项被思科重命名为Invicta的技术,是为作为独立存储而准备的,但从未被广泛采用,很大程度上是因为思科所谓的"部署中出现的质量问题"。
思科今年年初也推出了Cisco HyperFlex首款超融合基础设施解决方案。Cisco HyperFlex结合了思科UCS服务器、思科网络以及来自SpringPath的软件定义存储技术,在一个预装的集群内可独立扩展资源。思科表示,它可以在不到一个小时内启动并运行起来,包括网络。
一位来自与思科有多年合作的解决方案提供商高管表示,"对Elastifile的投资说明思科知道软件定义存储是未来业务的发展方向。思科很可能在UCS服务器平台上使用Elastifile软件来开发对象存储和闪存存储解决方案,与存储业内的最佳产品展开竞争。"
最重要的是,思科这么做并不会影响与EMC、NetApp及其他存储厂商的关系,一位匿名人士称。
该高管表示:"思科会把它作为软件定义存储解决方案的一部分,1500万美元不是一笔很大的投资,思科与NetApp、EMC是不会竞争的,不会引发业界激烈的竞争,但本次投资可能向业界发出信号,思科又一次涉足软件定义存储。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。