目前,云存储网关厂商Nasuni公司已获得3800万美元的额外资金,用于推动其研究与开发、客户服务等工作。此外,该公司的融资总额也借此上升至1.2亿美元左右。
以下是Nasuni公司融资进展情况:
此项投资由隶属于高盛商业银行部的高盛增长股票(GS Growth)发起。该部门总裁David Campbell加入了Nasuni公司董事会,并就高盛集团此次加入的合理性做出了相应表述:“云方案将替代内部存储磁盘阵列,成为数据存储的下一波变革载体。而当下所需则是一套全局文件系统,以确保企业能够将其增长最快的数据类型——非结构化文件数据——储存于云对象存储中。” 在这方面,Nasuni公司的UniFS文件系统能够切实满足需求。
同时,Nasuni公司创始人兼首席执行官Andres Rodriguez表示:“文件系统设计在过去的十年时间仅迎来部分增量性创新。在很大程度上,传统的存储软件与硬件供应商将云视为‘廉价且深入’的备份与归档数据解决方案,这意味着其属于无法扩展且以设备为核心的架构。然而,我们颠覆性地将云作为一级文件存储目标与高性能文件分发中心,并将借此满足媒体、制造、工程、技术以及建筑企业等提出的最为苛刻的NAS规模与性能要求。”
据报道,在此之前,该公司的新客户吸引、现有客户订单扩展以及营收也实现了创纪录的增长。董事长Paul Flanagan表示:“现在是时候推动业务增长与扩张了。”
但在去年,Nasuni已经筹集了2500万美元,而如今为何仍需要筹集更多资金?
该公司首席营销官Tom Rose在接受采访时表示:“我们原本不打算在今年下半年或明年初主动进行资金筹集,亦没有提出任何相关计划。但近期管理团队的扩展与业务增长势头(参考前几个月的报道内容)促成了内部对话,从而导致公司决定引入更多投资。另外,Nasuni公司在过去四年当中将自身规模扩大了一倍,并拥有了一套成熟的经营指标。”
“公司的成长一部分归因于越来越多企业将云方案列为其最理想的IT基础设施需求解决方案。此外,我们的云合作伙伴亦愈发强调将数据从数据中心转移至云端的重要意义。所以,目前存储领域的发展趋势已经相当明朗。高盛集团也正是因为意识到了这一波发展趋势,才认定现在是投资的合理时机并决定帮助我们加快技术与营收的增长速度。”
我们询问Tom Rose这笔新资金是否与Panzura在今年早些时候的3200万美元融资存在关联。对此,Tom Rose答复称:“没有。我们正在逐步取代EMC Isilon与NetApp,并见证了Panzura的衰退。然而,无论竞争对手是谁,我们都坚信我们的云原生文件系统UniFS拥有独特的创新优势。”
“Nasuni在平台核心层面的创新确保我们能够为企业客户节约大量成本并实现生产力提升,与此同时,其亦能够协助我们的对象存储合作伙伴——诸如微软、IBM与戴尔-EMC ECS——实现云消费量提升。目前,我们唯一的关注重点在于持续实现以上价值,争取在2018年实现现金流为正,并为波士顿带来又一家大型数据管理公司。”
Rose非常看好该公司的发展趋势。预计在公开上市之后,Nasuni公司将能够在2018年年内实现现金流为正的目标。
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。