根据我们得到的消息,美光公司已经向Excelero发起一轮注资——后者为美光公司SolidScale全闪存NVMe阵列的软件供应商。
美光公司于今年5月初发布了其SolidScale阵列,其采用NVMe SSD以及NVMe over Fabrics级连接以降低延迟水平——其与直连NVMe SSD相比仅增加1%额外访问延迟。另外,这套方案采用Excelero公司的NVMe式服务器SAN软件。SolidScale能够作为一套共享式外部阵列块存储目标起效,其包含多个集群式服务器节点,亦可以选择超融合型配置方式作为虚拟SAN使用。
知悉美光及Excelero内情的消息人士证实称,美光公司确实已经向Excelero投入了一笔资金,且具体数字应该在数百万美元水平。不过这一结论尚未得到两家公司的正式确认。
来自以色列的Excelero公司创立于2014年,并曾经于2015年的惟一一轮融资当中筹得2000万美元。假定美光公司的注资额度为500万美元,则意味着Excelero方面的总呈交额已经达到2500万美元。这意味着美光公司能够更为密切地掌握Excelero方面的软件开发工作,同时进一步调整自身SSD控制器软件以优化SSD性能,最终更好地与软件方案相匹配。
举例来说,美光方面可能会允许Excelero软件负责控制SSD垃圾处理任务。另外,Excelero软件亦可借此更好地运用QLC(即四层单元)闪存驱动器提供的存储资源,而且据我们所知美光公司目前确实正在开发QLC相关产品。
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。