英特尔公司近期发布了一款小型、单面且高度读取优化型SSD,专门面向数据中心场景内的服务器场景。这款P3100 SSD为M.2设计(22 x 80毫米),采用3D TLC(即三层单元)NAND。这种格式最初诞生于平板设备、轻薄型笔记本与台式机当中。由于空间有限且采用TLC(三层单元)NAND,因此其最高容量上限仅为1TB。
尺寸为22 x 80毫米的闪存卡能够提供1TB存储容量
然而,采用TLC亦意味着该设备主要面向数据读取而非写入进行针对性优化,这是因为TLC的使用寿命要低于MLC(即双层单元)闪存。通常来讲,服务器对于物理空间占用量并不是特别敏感,因此一般会采用2.5英寸SSD。英特尔公司希望凭借自家P3100 SSD产品在服务器空间有限且读取IO重要性远高于写入IO的市场空间内占得一席之地。
其随机读取/写入IOPS最高分别可达11.4万/1万,而连续读取/写入传输带宽则分别可达1.8 GBps与175 MBps。这样的性能水平明显专门为数据读取而进行了优化。
另外,其还支持每天0.5次全盘写入(简称DWPD)情况下的三年正常使用周期,0.3 DWPD则为五年,同时提供五年质保服务。该产品在闲置状态下的功耗为10毫瓦,英特尔方面表示这一水平较传统企业级磁盘驱动器低90%,且活动状态下的平均功耗为5.5瓦。
不过,P3100 SSD并不提供断电数据保护功能,但在另一方面,该驱动器具备AES-256位加密能力。数据中心内适合P3100的应用场景包括作为引导设备、搜索索引、边界缓存以及Web托管等,英特尔公司指出。
相比之下,英特尔旗下同样采用M.2格式的600p SSD则属于客户端设备,意味着其主要面向笔记本与平板电脑,这款NVMe SSD同样选择了3D TLC NAND介质,容量水平以及160万小时平均故障时间(简称MTBF)亦与P3100相当。其随机读取/写入IOPS最高分别可达15万5千/12万8千,而连续读取/写入传输带宽则分别可达1.8 GBps与560 MBps。在名义上,其随机读取IOPS性能更强,且随机写入IOPS也更高,意味着其性能表现更为均衡。
根据目前掌握的情况,英特尔公司的商务客户端Pro 6000p与物联网E 6000p属于600p的衍生型产品。而P3100看起来亦像是经过调整的600p。
英特尔DC P3100参数表
另外,三星公司亦拥有自己的960 EVO与960 PRO M.2客户端SSD,其最高容量为1 TB,且采用3D NAND介质(48层,256 Gbit 21纳米TLC V-NAND)。其速度表现较P3100更为出色:
而美光亦拥有一款1100 SSD,分别提供2.5英寸与M.2格式,其采用6 Gbps SATA接口。其中M.2 100的容量分别为256 GB、512 GB与1 TB,采用32层3D NAND。(其中2.5英寸版本的最高容量可达2 TB。)其拥有150万小时平均故障时间,不同于P3100的160万小时。
其性能参数如下:
这意味着其读取速度远低于P3100,但写入速度更高。
当英特尔与美光推出下一代3D NAND时,我们预计M.2 SSD将能够实现2 TB容量上限,其应该将带来更快的写入IO以及更长的DWPD使用寿命。如此一来,相信会有更多服务器供应商乐于将其引入数据中心方案之内。
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。