Dell EMC推出了旨在处理极高性能NAS工作负载的Isilon全闪存系统。这是今年年初EMC World大会上公布的Isilon Nitro进展的一个高潮。
你可以从4节点、4U机箱开始,从96TB到924TB容量,250000 IOPS,最高15GB/s的聚合带宽。
扩展到超过100个机箱,超过400个节点以及92.4PB的容量。这意味着有2500万IOPS,最高1.5TB/s的总聚合带宽,届时将提供多种配置。
这将是一个纯Isilon AF集群或者AF节点,可以添加到现有的Isilon集群中。
4节点起始配置的机箱是一个统一的机箱,而不是4个单独的1U机箱堆栈在一起。
我们认为,这个4U机箱包含60个驱动器,是三星的15.36TB 3D NAND TLC(3bit/cell)SSD,采用NVMe接口。去年2月Isilon产品线增加了HD4000 60插槽的存储设备。
Isilon AF支持NFS、SMB、HDFS、Object、NDMP、FTP、OpenStack、Swift和更多访问协议,Dell EMC表示。它可实现最高80%的存储利用率,1个100机箱的集群内可实现单个文件系统和卷。
重复数据删除功能(贴牌为Isilon SmartDedupe)可以降低存储需求最多可达30%甚至更多。
该系统中支持所有OneFS OS企业功能。
Isilon AF提供了基于角色的访问控制(RBAC);安全访问域;一次写多次读(WORM)数据保护;文件系统审查;通过自加密驱动器(SED)做静态数据加密。
在Isilon工程师看来,极端NAS工作负载包括极端NAS性能——例如4K数据流、基因组测序、电子设计自动化,以及Hortonworks、Cloudera、Pivotal、IBM和Splun等大数据分析厂商的近线实时分析工作负载。
Dell EMC可能已经厌倦了Avere的FXT NAS加速器,显示当前SAS和SATA磁盘驱动器系统不足以支撑像SFX创建及渲染这样的高端工作负载。
与此前高端S系列的定位
这次推出的系统与此前最高性能的S系列Isilon节点有什么关联?S210是在2015年2月推出,一个集群内有7.2TB、14.4TB、21.6TB种容量的节点,144个节点最高容量为3.11PB。全配置的集群提供375万IOPS,因此每个节点是26000 IOPS。
现在EMC表示,S210是从16TB的3节点集群开始,可横向扩展到144个节点,超过4PB,提供300万IOPS,显然要比Isilon AF更慢、密度更低。
Isilon AF与Qumulo以及Pure FlashBlade
初创公司Qumulo在他们的节点中使用充氦气硬盘,该集群基于HPE硬件,采用闪存-磁盘的混合设计。4U QC208配置了2.6TB和208TB磁盘。4节点的QC260集群原始容量1.04PB,使用10TB驱动器。
我们认为,Qumulo系统将有出色的表现,Qumulo 4U 1.04PB与Isilon AF的924TB在存储密度上没有太大差别。但是在成本上应该会相差很大,Isilon要更贵一些。
Pure即将推出的FlashBlade系统将对标Isilon的这款闪存系统。4U系统有15GB/s带宽,533TB原始容量——低于Isilon AF的924TB——采用专有的闪存卡,而不是商用SSD。
Isilon全闪存横向扩展NAS存储现在可以预定,将在2017年供货,可能是在2月,与新版本的OneFS一起,作为一项免费升级提供给现有客户,我们现在还没有得到价格信息。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。