中国,北京,2018年3月21日——全球领先的存储解决方案提供商希捷科技公司(NASDAQ:STX)近日在加利福尼亚州圣何塞举行的开放计算项目峰会(OCP)上发布14TB银河系列企业级氦气盘Exos™ X14,为超大规模数据中心提供高性能和更大容量,帮助其高效、经济地管理不断增长的数据。
由希捷赞助、国际数据公司(IDC)发布的报告显示,到2025年,全球数据量预计将达到163ZB,全球企业面临着管理迅猛增长的海量数据的严峻挑战。超大规模存储和云存储的需求已上升到前所未有的水平,而希捷银河系列企业级氦气盘Exos X14的发布直接满足了客户对提高企业存储容量和效率的需求。
在保持3.5英寸规格的基础上,希捷银河系列企业级氦气盘Exos X14提供更高的存储密度,是应用于超大规模环境的理想选择。面密度的提升意味着希捷能够以更小的硬盘规格提供更大的存储容量——是满足数据中心日益增长的需求的里程碑。希捷银河系列Exos X14交付业界最低功耗,最小体积和同级硬盘的最佳性能,是最大限度提高数据中心存储能力、降低复杂性和运营成本的经济实惠的解决方案。
希捷产品线营销副总裁Sai Varanasi表示:“我们的超大规模客户希望获得最佳总体拥有成本,这主要通过大容量、高能效、强化的缓存和可预测的输入输出速度来实现。银河系列Exos X14在这四个方面表现都很优异,其具有领先的持续传输速率和优化超大规模应用的随机输入输出的响应能力。”
为了进一步满足全球数据中心的需求,银河系列企业级氦气盘Exos X14内置Seagate Secure™,在不降低性能的前提下加密所有数据。这款新硬盘还通过美联邦信息处理标准(FIPS)140-2 二级认证,并符合信息技术安全评价通用准则(CC)这一国际计算机安全认证标准(ISO/EIC 15408)。Exos X14的其他关键特性还包括:每机架PB数量比银河系列10TB硬盘增加40%,硬盘重量比空气封装的近线硬盘减少10%,设计灵活以提供更广泛的集成选择,以及支持更多的工作负载。
全球最大的中文搜索引擎和领先的AI科技公司百度对希捷全新硬盘进行了评估,百度系统部高级总监刘超表示:“百度非常重视技术创新,并致力于通过技术创新为我们的用户和客户提供更好的体验和服务。伴随用户对海量数据应用的依赖和数据的持续快速增长,我们需要与行业合作伙伴一道构建可持续发展的存储解决方案。希捷银河系列企业级氦气盘Exos X14可以为我们提供经济高效的手段,满足日益增长的存储需求。”
该硬盘目前向部分客户提供样品进行测试,并将在今年夏天开始批量生产供货。
银河系列企业级氦气盘Exos X14以及其他几款符合开放计算项目规范的希捷产品将在2018开放计算项目峰会(OCP)上展示,展位号A14。其它参展产品还包括希捷守护者系列产品、雷霆系列Q-Boost、HAMR硬盘及雷霆系列5000 NVMe固态硬盘等。此外,希捷和American Megatrends Inc.(AMI)将合作展示新款AMI MegaRAC®基板管理控制器(BMC)固件如何增强希捷雷霆系列企业级5910 NVMe固态硬盘的可管理性。希捷还将在与技术合作伙伴共同组织的演示中展示MACH.2™多读写臂和HAMR技术。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。