时至今日,SSD的春风已经吹遍了科技领域的各个角落。业内各大厂商都在迅速研发新品,以求在市场立于不败之地。北京忆恒创源科技有限公司(Memblaze)作为业内知名企业于近日在北京召开新品发布会,发布了两款NVMe SSD新品,即高性能的PBlaze5 910/916 系列以及低功耗的PBlaze5 510/516系列。
据介绍,两款新品均采用64层企业级3D-NAND,并支持NVMe标准协议,其最高容量达15.36TB。与此同时,PBlaze5 910/916系列高性能 NVMe SSD,可以提供高达6GB/s读带宽和100万IOPS读性能,同时读/写延迟低至89 / 11μs。此外,PBlaze5 910/916系列支持8TB/s高速TRIM,TRIM功能不仅有利于降低写放大,提高SSD使用寿命,同时也能够提升设备性能稳定性,进而保障上层业务高效及平稳。
PBlaze5 910/916系列
众所周知,NVMe已经成为SSD固态硬盘的主流发展趋势。Memblaze为了进一步提高NVMe SSD的易用性,PBlaze5 910/916系列支持最高创建32个命名空间,适用于多业务混合场景,共享单设备容量和性能,提高资源利用率。结合系统端I/O控制软件,根据不同业务需求,对不同命名空间进行QoS管理。
PBlaze5 910/916 产品展示
除此之外,拥有在延续出色一致性能的同时,PBlaze5 910/916系列的能源效率大幅提升,每瓦随机读/写IOPS高达70k/18k,每瓦顺序读/写带宽高达388/212MB/s。典型业务场景下相比同一代PBlaze5 700/900系列,综合能源效率提高了38%,并且用户可以根据自身的业务需求,将PBlaze5 910/916系列功耗控制在从10W到25W中的任何一档,每档功耗间切换时间在1ms以内,为企业级用户和存储系统提供精确动态的功耗控制。
PBlaze5 510/516 系列
另外一款新品PBlaze5 510/516 系列NVMe SSD,拥有15mm和7mm两种厚度的2.5寸规格,均为U.2接口,最高可提供540K IOPS以及3.2GB/s带宽的性能。
PBlaze5 510/516 系列典型负载功耗仅10W,待机功耗4W,并且支持精确到每瓦的功耗控制。大规模部署时可有效降低数据中心设备的资本性投入(CAPEX)和运营投入(OPEX)。为满足企业级业务对系统高可用性的要求,PBlaze5 510/516系列支持双端口功能,支持主机对两个端口同时访问,解决了单路径失效的问题,保证数据访问的连续性。
PBlaze5 510/516 产品展示
此外,PBlaze5 510/516 系列NVMe SSD拥有LDPC纠错、AES256自加密、全路径数据保护、增强掉电保护技术及热插拔等诸多核心技术,全面保障设备的高可靠性、高可用性以及数据安全。
Memblaze CEO 唐志波在发布会上说:"如今不只是NVMe SSD走向成熟,各类基于NVMe SSD的全闪存阵列也已经开始进入市场。这对于Memblaze意味着更大的发展空间,另一方面,NVMe SSD也需要做好充分的储备。Memblaze的新一代NVMe SSD不仅追求极致的性能与高可靠性,而且还向前更进一步关注产品的能源效率及功耗控制,以求全面满足未来存储系统对NVMe SSD的需求。"
Memblaze CEO 唐志波演讲
小结
多年研发及实践助力Memblaze积累了诸多核心技术,产品的软硬件架构也在不断发展演进,这些核心技术及创新架构在两款新产品上得到了全面继承和进一步发展,同时TRIM、多命名空间等多项新特性同样走向成熟并在新产品落地。产品多次迭代升级基础上,PBlaze5 910/916 系列及510/516系列能够彻底释放NVMe SSD的性能优势,并拥有更高的能源效率,能够满足云计算、互联网、金融、电信、人工智能等行业对海量数据快速访问以及降低系统功耗的需求。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。