昆腾公司(NYSE:QTM)今天宣布推出Xcellis®横向扩展NAS,作为业界屈指可数的工作流存储设备,它兼具了管理功能和企业横向扩展NAS的强大功能,以及满足企业现代数据增长所需的高性价比扩容。Xcellis®横向扩展NAS的性能比竞争对手的企业级NAS产品高3倍,由于其采用了分层的集群存储,在容量和性能相同的情况下,其成本只有其它企业级NAS解决方案的十分之一。这一整合让Xcellis 横向扩展NAS具有得天独厚的优势,能够全面满足高价值数据环境的需求。在这种环境中,企业收入和产品都围绕数据而构建。
大规模统一的非结构化数据
许多物联网、媒体娱乐、生命科学、制造、视频监控以及企业高性能计算(HPC)环境的发展速度都快于传统企业级NAS。过去十年,用户通常选择转投横向扩展NAS,将其作为一种替代方案,但是他们发现扩大容量、集成云战略以及共享数据只能是事后想法,甚至不可能与他们所采用的解决方案相结合。与企业IT负载不同,高价值负载环境中的数据在方方面面持续增长--摄取、处理、分析、分发、归档,这些环境需要具有管理以及企业级NAS功能的存储解决方案,但是这也可能会造成性能和容量扩展时的性价比不高。充分利用昆腾行业领先的StorNext?并行文件系统和数据管理平台,Xcellis横向扩展NAS为那些具有高价值负载的企业提供行业领先的性能、可扩展性和管理效益。
• 以较高的性价比提高性能和容量:集群可以同时提高性能和容量,或者单独达到数百PB的容量和每秒TB级的性能。单个客户端(SMB、NFS或高性能客户端)就可达到3倍于竞争对手横向扩展NAS产品的性能,而多个客户端则可以把一个集群的带宽扩展到超过1TB/秒。此外,Xcellis已被证明能够在包括磁带或云在内的简化的工作流中管理PB级数据,采用这一方法达到的性能优于"仅使用NAS"的领先替代方案的性能,而且仅需支付后者成本的十分之一。
• 先进的功能和灵活的管理:通过简单安装和设置,一个现代管理单屏界面即可提供深度监测、警报和管理功能,以及快速扫描和搜索功能,这些功能可以控制大数据库。Xcellis横向扩展NAS的设计旨在通过SMB和NFS接口集成性能最高的以太网网络,此外该设计还提供了在同一个融合解决方案中支持高性能块存储的灵活性。
• 生命周期、位置和成本管理:Xcellis横向扩展NAS充分利用了根植于StorNext的超过15年的数据管理经验,Xcellis数据管理在SSD、磁盘、磁带、对象存储和公有云之间提供自动分层。可以针对内容分发、协同办公、数据保护和灾难恢复创建副本。
集成人工智能功能的Xcellis
Xcellis横向扩展NAS是业界唯一集成人工智能功能的NAS解决方案,让客户能够从新数据和现有数据中创造更多价值。它可主动查询多种数据,以便发现事件、对象、面孔、词汇和情绪,从而自动生成自定义元数据,为使用存储资产开启新的可能性。
支持的言论
Vincent Chang,Arrosoft 解决方案总裁
• 坦率地说,很难找到既能够在业绩、规模和管理上提供服务,同时又能降低成本的产品。 Xcellis横向扩展NAS为经销商提供了昆腾解决方案,该解决方案定位于那些面临非结构化数据增长挑战的组织且涵盖多个领域,包括性能、容量、成本、管理、保护、云策略和人工智能。"
Scott Sinclair,企业战略集团高级分析师
• 各行各业中非结构化数据的激增为发现和变现提供了无限的机会,但是传统存储和管理数据的方式让许多企业都无法发挥其全部潜力。Xcellis横向扩展NAS旨在让用户能够单独扩展性能和容量,并有效降低成本,防止存储成为阻碍进程的障碍。"
Molly Presley,昆腾全球营销副总裁
• 为企业数据管理设计的NAS系统与为数据密集型负载所设计的HPC解决方案之间的市场存在着差距。Xcellis横向扩展NAS通过在一个解决方案中整合企业所需的功能以及HPC所需要的性能而消除了这一差距。Xcellis能够独家提供具有磁带和云经济效益的容量,以及获得先进数据洞察所需的集成人工智能,甚至能够支持同一个平台中的传统块存储需求。"
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。