昆腾公司(NYSE:QTM)宣布,在2018年美国广播电视展(NAB)上,公司重点展示了在支持当今分辨率最高的媒体工作流方面昆腾是如何扩大其性能领先地位的。昆腾最近推出了Xcellis?横向扩展NAS,它采用StorNext?共享存储和数据管理平台,其性能是采用传统存储的竞争产品的2倍(或者是采用NVMe闪存技术的产品的14倍),公司上月完成的严格测试已证实了这一点。除了在NAB上展示Xcellis横向扩展NAS并发布性能测试结果以外,昆腾还进行了一系列新增强的解决方案的交互式演示,包括通过NVMe进行8K回放、本地和基于云的协同办公、多层内容管理(包括LTO-8磁带)和智能归档。
Xcellis横向扩展NAS:为IP工作流提供最高的性能和可扩展性
昆腾公司最近的测试证实,在4K、8K和16K项目中,Xcellis横向扩展NAS解决方案的性能优于来自企业级NAS供应商以及聚焦于NAS的创业公司的产品。该解决方案具有"无与伦比的可扩展性和强大的媒体及元数据管理"的优势,凭借这种行业领先的性能, 即使在处理内容创意者提出的基于IP环境的最苛刻的协作工作流要求时,Xcellis也能表现的十分出色。StudioDaily提名该解决方案入围其"终极大奖",该奖项旨在表彰"改变游戏规则的新产品、有远见的公司和创新的人才",这份荣誉更加彰显了横向扩展NAS的实力。
作为Xcellis横向扩展NAS性能演示的一部分,昆腾还在NAB期间展示了如何利用最新的NVMe闪存技术来实现与StorNext的数据共享功能相结合,这项功能提供了从摄入到归档的智能及可负担得起的媒体内容管理。
昆腾公司在NAB期间的其它亮点
在NAB的SL8511号展台,昆腾展示了其StorNext平台在整个媒体生命周期中显现的高性能和效率。除了Xcellis横向扩展NAS之外,演示还聚焦了以下方面:
• 协同后期制作:Xcellis Foundation是一个入门级存储系统,该系统以一个较低的价格在易于部署的NAS设备中让用户体会到企业级Xcellis存储的优势,包括高性能和可扩展性。Xcellis Foundation专为小型后期工作室而设计,这些工作室的桎梏在于他们的预算有限,却需要协同工作。
• 多层内容管理:这个演示围绕最新的、屡获殊荣的昆腾StorNext 平台--StorNext 6。StorNext 6结合了行业领先的性能和先进的数据管理功能,包括FlexSync?多站点同步、FlexTie?公有和私有云访问以及FlexSpace?共享归档。
• 智能归档:除了展示二级磁盘、对象、LTO磁带和云存储中的分层,昆腾还展示了无缝添加自动索引和人工智能的能力,这样用户就可以从视频和音频内容中提取隐藏的价值。此外,用户还看到了Oracle DIVArchive内容如何迁移到管理StorNext的环境中。
支持的言论
Molly Presley,昆腾产品管理与全球营销副总裁
"一直以来,基于StorNext的解决方案都为我们的客户提供着克服最苛刻的存储和数据管理挑战的能力。在今年的NAB上,用户通过参观昆腾展台来决定如何在其媒体工作流中实现'支持下一个趋势'。考虑到这一点,我们采用了行业领先的NAS性能、简单的工具,把LTO归档迁移到StorNext和昆腾磁带库中,这些增强功能可以让StorNext用户体验变得更加简单和直观。"
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。