阵列厂商Infinidat公布了第三次重大的软件升级,增加了压缩、内嵌iSCSI支持以及增强的阵列分析。
Infinidat的架构有3个控制器节点,每个节点都可以看到所有驱动器,避开了全闪存的设计,而是依赖于1.2TB-3.2TB的DRAM缓存,24TB-210TB的NAND缓存,最多480个7200转的硬盘。该系统提供了7个9个正常运转时间,也就是99.99999%的可靠性。
下面就是该系列的4款Infinidat阵列:
- F1000,可用容量最高115TB,3GB/s带宽和300000 IOPS
- F2000,248TB-499TB的可用容量,7GB/s带宽和500000 IOPS
- F4000,682TB-1024TB的可用容量,10GB/s带宽和750000 IOPS
- F1000,1035TB-2765RB的可用容量,12GB/s带宽和1000000 IOPS
入门级的F1000已经在今年8月推出。
Infinidat软件的3.0版本可以在不影响访问性能的情况下带内压缩数据。数据写入据称只需要180微秒。然后后端的分配器功能可以将新数据区段拿出来,放到磁盘的永久性存储中,在这里完成压缩,这样数据就可以在写入到磁盘之前完成压缩。目前采用了LV4算法,但还将有一个算法库针对不同类型的数据,这样压缩功能就会随时间推移不断改善。
客户能够以卷湖综合文件系统为单位打开或者关闭压缩功能,而且该功能是作为免费操作系统更新的一部分提供给所有Infinidat客户的,Infinidatiang保证2X的压缩率。Infinidat称,有了压缩功能,其阵列可以在标准的42U机架内扩展至超过5PB可用存储容量。
此前在2015年支持的iSCSI是第三方的软件,而且必须在机架内采用3U iSCSI节点,现在这些空间已经被回收了。MSP客户很高兴听到这个消息。IOS的V3版本采用了Infinidat自己的软件iSCSI技术,原生运行在自己的三控制器集群上。这让iSCSI成为FICON、光纤通道和NFS的第一层对等协议。
该系统仍然是7个9个可用性,非阻塞以太网,在端口/节点发生故障的情况下支持透明的故障转移。Infinidat首席技术官Brian Carmody认为,运营商级的iSCSI拥有很大的市场空间,VMware、Windows和OpenStack都支持这项技术。
我们了解到,32Gb/s光纤通道将会在2017年下半年问世。
阵列的分析功能也得到了增强,有多维度的分析,不只是基于时间顺序的功能。客户可以按照时间、IO类型以及延迟等维度进行分析。
InfiniBox性能分析截屏
在这个分析GUI中使用的每个单一数据点都是可以通过Rest API访问的,这是GUI代码后端所使用的API。
Infinidat表示,它的阵列要比全闪存阵列更快,一部分原因是Infinidat阵列采用了DRAM和闪缓存让保存在磁盘中的数据变得更快。该阵列的架构与众不同,可以采用不同类型的存储介质,介质性价比方面的变化,能够让阵列保存更多数据并且速度更快。目前,它可以支持磁盘驱动器保存最多20TB数据。Infinidat称,他们正在与硬盘厂商进行商谈,可能最多可支持到100TB的硬盘。
Infinidat v3.0将在该季度晚些时候供货,现有的客户可以获得不间断的免费软件升级。
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。