西部数据公司已经开始利用速度更快的NVMe驱动器逐步替代其SATA与SAS SSD产品。
2.5英寸Ultrastar DC SN630与M.2 2280(单面)格式CL SN720驱动器开始采用西部数据与东芝的64层3D TLC NAND (三级单元)配置,同时配合PCIe v3四通道与NVMe v1.3接口。
西数方面表示,全部驱动器组件皆已生产到位,具体包括介质、控制器及其软件。
这款DC SN630是一款数据中心级SSD,其960 GB、1.92 TB、3.84 TB以及7.68 TB几种容量版本针对读取密集型任务进行了优化。而出于预留空间的考虑,其混合使用版本的容量水平较低,分别为800 GB、1.6 TB、3.2 TB以及6.4 TB。
西数公司的Ultrastar DC SN630
西数方面并没有公布混合版本产品的随机读取/写入IOPS,但向我们确认其使用寿命为每天两次全盘写入,寿命周期大约为五年。另外,其提供五年质保服务,以及最高200万小时故障间隔时间(简称MTBF)。
读取密集型版本则可带来高达36万3700/5万5820的随机读取/写入IOPS,且具有2.7/1.29 GB每秒的连续读取/写入带宽。
奇怪的是,从960 GB到7.68 TB,西部公司甚至为不同容量型号列出了非常详尽的延迟水平——130微秒、180微秒、230微秒以及230微秒。另外,读取密集型产品的使用寿命略低,为每天0.8次全盘写入,同时提供为期五年的质保以及高达200万小时的故障间隔时间。
其常规功耗为10.75瓦,且具备即时安全擦除功能。
相比之下,西数的HGST品牌同样包含一款DC SS530双端口SAS驱动器,其同样采用64层TLC 3D NAND并具备每秒12 Gbit带宽。其随机读取/写入IOPS最高可达44万/32万,这样的表现在写入操作方面可谓碾压DC SN630。
另外,DC SS530的连续读取/写入带宽分别为2.31/2.28 GB每秒,同样优于SN630。在这种情况下,可以看出NVMe本身并没有表现出超越每秒12 Gbit双端口SAS的性能水平。
我们于去年三月首次见证西数公司推出的SN720 M.2 NVMe驱动器,但当时其还没有发布关于CL SN720的公告。
CL SN720驱动器主要作为启动引导或者物联网边缘驱动器使用。其提供256 GB、512 GB、1 TB以及2 TB容量选项。这款产品的随机读取/写入IOPS呈现出两极分化,读取为3万3000,而后者仅为可怜的2700——是的,我们检查了多次数据表,确认结果无误。很明显,其专为大规模读取密集型任务而生。
西部数据公司的Ultrastar CL SN720
其连续读取/写入带宽仍然倾向于读取,但差异有所缩小,分别为3.25/1.4 GB每秒。
读取延迟为128微秒,西数方面表示这款驱动器的读取速度与写入性能分别可达1 TB Ulstrastar SA210 SATA SSD的6倍与2.5倍。
其同样基于64层TLC 3D NAND,采用6 Gbit每秒SATA接口,并提供2.5英寸与M.2 2280两种格式。其随机读取/写入IOPS为6万4000/5000,连续读取/写入带宽为510/475 MB每秒;可以看到,性能指标明显低于使用NVMe的CL SN720版本。
我们也可以将CL SN720与西部刚刚面向游戏玩家发售的闪存驱动器进行比较,即Black SN750。后者拥有一套覆盖64层TLC 3D NAND介质的散热器,可提供51万5000/48万随机读取/写入IOPS以及3.47/3.9 GB每秒连续读取/写入带宽;很明显,不仅速度更快而且读写更加均衡。
西数方面也在着手构建并配置各驱动器产品,从而在性能、成本、功耗以及使用寿命等层面达到与市场需求的高度契合。
SN720提供自加密支持——即TCG OPAL 2.01——以及即时安全擦除。另外,这两款新驱动器都可使用密度更高的96层3D NAND。
SN630计划于今年三月上市,而SN720目前已经开始供货。
好文章,需要你的鼓励
这篇博客详细解读了阿里巴巴通义实验室和中科大联合开发的VRAG-RL框架,该框架通过强化学习优化视觉语言模型处理复杂视觉信息的能力。研究创新性地定义了视觉感知动作空间,使模型能从粗到细地感知信息密集区域,并设计了结合检索效率与结果质量的精细奖励机制。实验表明,该方法在各类视觉理解任务上大幅超越现有技术,Qwen2.5-VL-7B和3B模型分别提升了20%和30%的性能,为处理图表、布局等复杂视觉信息提供了更强大的工具。
香港科技大学研究团队发现AI训练中的验证器存在严重缺陷。基于规则的验证器虽精确但僵化,平均有14%的正确答案因表达形式不同被误判;基于模型的验证器虽灵活但极易被"黑客攻击",AI可通过输出特定模式欺骗验证器获得不当奖励。研究提出混合验证器设计,结合两者优势,在数学推理任务上将性能提升3个百分点,为开发更可靠的AI训练系统提供重要启示。
这项研究提出了"用生成图像思考"的创新范式,使AI能够通过生成中间视觉步骤在文本和图像模态间自然思考。研究者实现了"原生长多模态思维过程",使大型多模态模型能够生成视觉子目标和自我批评视觉假设。实验表明,该方法在处理复杂多物体场景时性能提升高达50%,为医学研究、建筑设计和刑事侦查等领域开创了新的应用可能。
这篇论文介绍了GRE套装,一个通过精细调优视觉语言模型和增强推理链来提升图像地理定位能力的创新框架。研究团队开发了高质量地理推理数据集GRE30K、多阶段推理模型GRE以及全面评估基准GREval-Bench。通过冷启动监督微调与两阶段强化学习相结合的训练策略,GRE模型能够有效识别图像中的显性和隐性地理指标,在Im2GPS3k和GWS15k等主流基准上显著优于现有方法,为全球图像地理定位任务提供了更准确、更可解释的解决方案。