至顶网服务器频道 06月06日 新闻消息:NetApp终于公布了承诺已久的超融合一体机“NetApp HCI”,该产品把几乎NetApp做的所有东西都融入进了一个2U的设备中,此外还有4个未命名的服务器,一套类似云的付费即用定价计划,以及一个vCenter插件,这样你不需要学习新工具就可以管理它了。
NetApp一直认为,当企业组织希望摆脱管理阵列的复杂工作,希望通过保存在分散设备但在数据框架中整合到一起的数据来实现创新时,它的软件组合是难以击败的。但是收购SolidFire起到了推动作用,这让NetApp不仅可以有了不错的全闪存阵列,而且还可以很好地进行扩展。
因此,NetApp的核心软件组合和SolidFire都是NetApp HCI的核心。后者将利用新版本的ONTAP Select,现在它可以更好地在远程办公点管理存储,或者把分散在VSAN、物理阵列、IBM Bluemix、商用服务器和NetApp HCI中的数据融合到一起。还有更新的OnCommand Insight可以优化存储、预测需求、跨多个平台给出关于成本的建议。
有了这些混合云特性,NetApp认为其他超融合厂商是无法在跨数据平台管理能力方面与之匹敌,所以NetApp认为这些特性就是其一体机的亮点。NetApp还认为,SolidFire也让竞争对手难以追赶上,因为它的一体机可以独立地扩展计算和存储。NetApp还有服务质量特性,允许资源按需第分配给应用,而不会引起烦人的相关问题。
目前这些一体机只支持vSphere,还有一个“NetApp部署引擎”,我们得知它可以让你设置服务器、计算和VMware环境,此外NetApp还开发了一个vCenter插件,让你可以通过VMware控制面板管理这些设备。
这些设备本身有S、M、L几个尺寸,还有专门存储和计算的版本。NetApp告诉我们,他们是按照其规格设计的,但是没有透露制造商或者这些设备的规格。所以我们并不知道这些设备搭载了什么处理器,但知道的是这款设备将将会有以下几种配置。
NetApp新超融合一体机的规格
NetApp将会试图说服客户,它的超融合竞争对手的设备是客户无法了解的、漂亮地拼凑在一起、但最终会非常脆弱的。NetApp强调自己长期以来的企业级血统,以及与CIO们之间的亲密关系。
NetApp还强调对自身产品的集成,以及加入了云的能力,让新的一体机可以采用付费即用的模式,让客户只为他们使用的付费,而不是投入大量资金。
但是NetApp也知道,还有很多工作要做让这些能够很好地运作起来,例如培训销售团队售卖服务器和一体机,渠道也都积极行动起来了。
因为这些产品承诺是在“2017年秋季”供货,也就意味着90天或者180天之后了。
我们知道,超融合市场正在迅速发展起来。Nutanix将会在7月初忙碌起来。HPE刚刚开始与SimpliVity的工作。VMware也没有闲着,很快会在市场中推出跨云的产品,也许足以呈现出一个NetApp混合Data Fabric的替代选择。至少,在推向市场之前,NetApp可以打造出让其HCI与众不同的所有东西。
但是,NetApp把所有都倾注到超融合中:NetApp把这次HCI发布以及软件更新称之为“25年历史上影响最深远的创新公布”。
如果这样的努力不奏效的话,会怎样?
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。