美光方面的SATA制造工艺由32层更新至64层3D NAND,但其最大容量仍保持不变。
比特流——美光5200 SATA连接器,速度可达每秒6 Gbit。
美光公司期望能够提高其产品声誉——为此,该公司选择采用具有两个版本的5200产品系列替换了之前具有三种型号的5100 SATA固态硬盘,借此将平均无故障时间从200万小时延伸至300万小时,从而增强了该系列产品的可靠性。
此前2.5英寸的5100 SATA固态硬盘采用32层TLC 3D NAND工艺制造,具有以下三种型号:Eco(高容量)、Pro与Max(更长耐用性)。而新版5200——5100的更新版——则是选择采用64层TLC 3D NAND工艺制造,最大容量仍为7.68 TB。此外,5100与5200固态硬盘均采用每秒6 Gbit的SATA接口。
另外,5200舍弃了Max这一型号而保留了Eco与Pro版本,而美光方面决定将继续出售5100的Max版本以满足客户对于高耐用性的需求。
5100产品中一款容量较低的M.2型号也随着5200的出现而就此沉寂。
7纳米制程的2.5英寸美光5200 Pro SATA固态硬盘
5200 Eco版本的容量范围为480 GB、960 GB、1.92 TB、3.84 TB与最大7.68 TB——与5100 Eco的容量范围保持一致。
美光公司的5100与5200产品经理Matt Shaine表示:“我们为5200选择了5100最受欢迎的容量配置。而不可否认的是,发布时间与性价比也存在一定影响。”
此外,美光方面认为需要8 TB以上容量的客户会转向选择NVMe驱动器。
美光公司的EMEA(欧洲、非洲与中东地区)高级市场开发兼营销经理Nicolas Maigne接受采访时表示:“目前市场实际所需的最大容量为8 TB,而非更高的容量配置。并且,现在市场中大部分的容量配置仍集中于2 TB。”
旧版5100与新版的5200性能水平大致相同。两款产品性能的差别主要在于5200 Pro整体的随机写入性能表现更佳,达到了32000 IOPS;容量配置为480 GB的5200 Eco更是达到了33000 IOPS,而当其容量配置为7.68 TB时,IOPS数值则会降低至9500。
综上所述,美光方面声称其5200比其他企业的SATA固态硬盘——诸如英特尔公司的S4500、三星公司的PM863a、西部数据公司的SanDisk CS Eco G2以及东芝公司的HKR4——具有更好的性能表现。
依据每日全盘写入次数(DWPD)评估规定,5100 Eco、Pro与Max的评分依次为<1、1-3与5 DWPD,而5200 Eco的评分<1,5200 Pro则<2,且以DWPD评分细则来看,5200的耐用性整体呈现下降趋势。
那么,5200的耐用性为何也未曾得以加强?
对此,Shaine解释称企业SATA驱动器的市场目前已分化为两种使用情况:其一即是可实现1 DWPD的读取密集型驱动器;其二则是评分为3-5 DWPD的混合型驱动器。
5200 Eco与Pro驱动器是专为读取密集型用例而设计。
美光方面表示5200是针对关键业务虚拟化工作负载——此类工作负载会削弱硬盘性能表现——的成本优化型固态硬盘,而期望通过硬盘赢得市场份额才是其目标所在。此外,这类产品均为热插拔固态硬盘并具有AES 256位加密技术,而Flex Capacity功能足以让客户(OEM)改变驱动器的耐用性、性能表现与容量配置以适应其所需的工作负载。
该公司声称,SATA固态硬盘平均拥有200万小时的MTBF等级,因此5200的可靠性提升了50%,达到了300万小时。并且在其他同类驱动器的年度故障率为0.44%时,5200的年度故障率为0.29%,为行业最低。
最后,为何选择增强可靠性?Shaine表示,这是美光公司向市场表现其产品独特性的机会。对此,Maigne补充称美光方面希望推动该行业向上发展,远离其200万小时的MTBF定位点,并且客户也更偏好于可靠的驱动器。
Shaine声称:“在产品5100的整个生命周期中,美光方面认为其可靠性能够优于最初设定的标准,而该目标的实现需要高标准的制造工艺与足够优良的设立方案。所以美光公司致力于将可靠性提升至300万小时,而这在5200上得到了完美体现。”
以上即是5200的主要卖点,而除此之外,在随机写入IOPS方面,5200 Pro的性能表现也优于5100 Pro。
在低于8 TB容量的读取密集型企业SATA SSD级别,客户的首要需求即为可靠性,而不是耐用性。这也是5100 Max无法与5200相提并论的原因。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。