混合与全闪存阵列供应商Tegile公司完成了新一轮融资,而西部数据集团作为闪存与磁盘制造巨头则在其中扮演核心角色。
Tegile公司在E轮融资内筹得3300万美元,这笔资金将被用于支持产品与市场拓展。西部数据方面的参与显然是为了进一步扩展SSD供应合作关系。出于对Tegile业务的浓厚兴趣,西部数据在本轮融资中领跑,其它参与方还包括原投资方Meritech Capital、Capricorn投资集团以及Cross Creek Capital。
目前Tegile公司的总体融资额度已经达到1亿7800万美元,而其发展策略则是利用风险投资资本大幅支持业务扩展——这一点与Egnyte公司缩紧银根的作法恰好相反。凭借着雄厚财力的推动,Tegile公司全闪存阵列营收实现了110%的同比增长幅度,无疑远超市场平均增长水平。
Tegile公司CEO Rohit Kshetrapal表示:“Tegile公司一直专注于两项主要目标:取得突破性全闪存技术并实现业务的可持续增长。Tegile公司的本轮最新融资将使我们得以继续保持这样的态势,同时帮助世界范围内各类规模的企业客户顺利过渡至全闪存数据中心。”
Tegile公司的业务增长主要源自其远超其它存储主流厂商在共享存储领域之创新节奏,具体包括戴尔-EMC、HDS、HPE、IBM以及NetApp——以及同样处于良好运营状态的Kaminario与Tintri,外加新兴的调整访问阵列初创厂商Apeiron、E8与Excelero。
随着超融合型基础设施正快速吞噬共享存储业务,营收水平不断提升意味着市场将提供更多新业务生存空间并带来更快的磁盘阵列更替速度。毫无疑问,全闪存世界中正呈现出一派激烈竞逐的态势。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。