Infinidat已经赢得了更多的新客户,Infinidat阵列也从这些新增客户那里获得高端存储阵列的收入。
Infinidat在2016财年第二季度销售额环比增长超过60%,同比增长100%。该季度Infinidat的销售主要覆盖金融业(32%)、技术、电信和云服务(28%)、医疗和生命科学(24%),其他还有16%。
Infinidat表示,有一家财富500强的金融服务客户已经在不同站点部署了多个InfiniBox系统,总的Infinidat存储容量达到25PB。
下面就是Infinidat在过去几个季度的增长率:
• 2015年4月:走出隐身模式
• 2015年7月:2015年第二季度销售额环比增长300%
• 2015年11月:2015年第四季度环比增长183%,出货容量超过250PB,同比增长331%
• 2016年5月:2016年第一季度同比增长213%,出货存储容量达到422PB,没有公布环比增长数字
• 2016年8月:2016年第二季度环比增长60%,同比增长100%,赢得新客户的数量环比增加一倍。
在所有单一阵列提供商(EMC、HDS和IBM)中只有Infinidat报告了这样的增长。我们预计全闪存阵列如DS8000、VMAX、VSP系统相比磁盘系统都实现了高增幅,但是总体来说,Infinidat从EMC、HDS和IBM那里夺来了一些市场份额。
最终我们认为这三家厂商都将推出更新的系统,拥有和Infinidat一样的7个9可靠性和类似的定价。到那时,Infinidat首席执行官Moshe Yanai的进展可能不会持续好几个季度了。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。