Infinidat公司正在对自家Infinibox阵列产品设计进行调整,希望借此提升其存储容量水平。
目前的3U驱动器托盘与2U控制器机箱将双双被调整为1U托盘,从而将机架内部的磁盘驱动器容纳能力由480块提升至720块——提升幅度高达67%。这些驱动器托盘可支持60块以垂直方式安装的磁盘驱动器。
在Infinidat公司位于以色列荷兹利亚的办公室内,记者们在数据中心中亲眼见证了三台这样的1U服务器机柜,相较于原有3 x 3U控制器(采用戴尔370服务器)机柜,新的设计方案能够额外释放出3U物理空间。
在其之下为1U驱动器托盘,能够平行安装多排希捷3.5英寸Constellation ES驱动器。根据我们的计算,每套托盘能够容纳20块驱动器,而机架之内共可容纳36套托盘,这意味着机架的总体驱动器容纳能力可达到720块之多。
如果使用目前的主流高容量10 TB磁盘驱动器,那么机架整体能够提供7200 TB存储容量; 如果使用预计将在未来几个月内推出的12 TB驱动器,那么其整体存储容量将进一步提升至8640 TB。Infinidat公司将因此构建起一套容量达8.64 PB的机架,其可用存储资源将达到目前4.8 PB机架(480块10 TB驱动器)的1.8倍。
我们了解到,Infinidat公司预计未来的磁盘驱动器将采用HAMR(即热辅助磁记录技术)与叠瓦式(部分重叠)磁轨技术,且存储碟片将被放置在氦气填充外壳之内。该公司发言人谈到,到2020年其机架存储容量将达到50 PB,如果阵列本身的720块驱动器容纳能力保持不变的话,这意味着单块驱动器的容量需要增加至70 TB。
另外,我们还在Infinidat公司的发展路线图上看到了重复数据删除与控制器数量提升等规划。根据我们的了解,未来阵列中的控制器数量仍继续保持为奇数,即由目前的三套增长为五套或者七套。
目前,Infinibox之内仍然使用一套SAS结构以将各驱动器托盘及其上的驱动器接入各控制器。预计未来这一结构将会被NVMe所取代,从而进一步提升驱动器与控制器间互连机制的速度与传输带宽。
然而,这种变化不太可能扩展至访问客户端——这是因为客户更倾向于扩展Infiniboc访问协议支持能力,而其中对SMB的支持可谓呼声最高。目前相关工作正在推进当中,我们预计这一支持能力将在2017年实现。该公司可能将在2017年8月推出其4.0版本软件方案,而SMB支持也许将被包含在其中。
1U驱动器托盘
来自客户的其它访问协议要求则包括S3、Swift以及HDFS。根据我们掌握的情况,32 Gbps光纤通道支持能力将在2017年年内实现。另外,相关软件的4.0版本可能还会提升服务质量。
Infinibox控制器软件亦有可能被作为虚拟机独立提供给客户,或者供其它硬件渠道使用,具体包括服务器、接入交换机、InfiniBand(或者以太网)基础之上的内部NVMe结构与驱动器托盘,乃至其它由Infinidat提供的认证/合格配置方案等。
Infinibox公司的1U控制器与驱动器托盘
根据该公司的说法,根据目前的情况看其盈利态势已成定局,且今年的营收应该会突破1亿美元。这是否意味着其有可能在2018年年内进行首轮公开募股?我们似乎找不到阻碍其公开融资的理由。今年之内各季度营收较上年同季度相比皆实现了两位数增长,且Infinidat公司似乎已经连续三年超越了其竞争对手——包括戴尔-EMC(VMAX/Unity)、HPE(XP7)、HDS(VSP)以及IBM(DS8000与XIV)等——特别是在全闪存阵列PB级别数据存储场景下的访问速度,以及纯磁盘驱动器阵列的使用成本方面。
除非被收购,否则按照目前的态势来看,Infinidat公司仍将继续保持一波高速而稳定的增长。
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。