美国硬盘厂商西部数据已经决定退出存储系统业务,并于昨晚发布公告,表示将把IntelliFlash阵列单元出售给DDN公司。
经证实,西部数据公司同时还计划放弃其AcgtiveScale归档存储阵列业务,并表示保留这些部门需要大量的“精力与资金”,但业务本身似乎很难带来相应的回报。
西部数据公司COO Mike Cordano在一份声明中指出,“扩大并加快IntelliFlash与activeScale产品线的业务发展,必须辅以额外的管理精力与资金投入,只有这样才能确保其获得长期成功。”
这一出乎意料的逆转,距离西部数据2017年8月收购Tegile公司并获得IntelliFlash(具体交易价格不明)刚刚过去两年。到今年7月,西部数据才开始在入门级NVMe机型当中引入IntelliFlash技术——这是一台容量更高的SAS存储阵列,通过实时数据集迁移功能与S3连接器。
西部数据公司超过八成的收入来自面向OEM厂商与消费者买家的磁盘驱动器与SSD产品,并在这两方面保持着相当稳固的竞争地位。
西部数据在一份声明中解释称:
西部数据的战略意图,在于放弃由IntelliFlash与ActiveScale业务组成的存储系统。公司正在探索ActiveScale的可行战略选择。相关举措将使西部数据能够围绕核心存储平台业务优化自身数据中心产品组合,包括OpenFlex平台与光纤连接存储技术。
DDN公司联合创始人兼CEO Alex Bouzari则发布了这样的回应:“我们很高兴能够将西部数据的高性能企业级混合、全闪存以及NVMe解决方案,与DDN的……大规模数据管理产品组合结合起来。”
IntelliFlash部门的员工将加入DDN,后者目前在全球范围内拥有超过1万家客户。西部数据与DDN将携手合作,以不间断的产品可用性与支持连续性方式完成客户过渡。据了解,DNN方面计划投入资金以继续支持IntelliFlash产品线的发展路线图。
这笔交易还包含一项双方全球采购协议,其中西部数据将成为DDN的IntelliFlash客户,外加DDN的首选磁盘驱动器与SSD供应商,但双方均未透露具体的财务数字。
有心的读者朋友可能还记得,总部位于加利福尼亚州的DDN公司曾于2018年9月以6000万美元收购濒临崩溃的Tintri公司,并于今年5月以数额不明的价码买下Nexenta。现在,这家非结构化数据与大数据系统领域的先驱厂商终于凑齐了当年的三大存储后起之秀:Tintri、Nexenta以及Tegile。
上个月,DDN公司已经开始将Nexenta文件功能添加至Tintri系统当中。
总体来讲,Tintri与IntelliFlash属于竞争对手,二者同样属于企业级存储阵列,也都提供混合与全闪存两种型号,但Tintri方面一直缺少虚拟服务器集成功能。现在,这项软件功能可以由IntelliFlash OS负责提供,我们也可以期待Tintri与IntelliFlash共同衍生出一套通用型硬件存储系统。
除非DDN能够找到极具说服力的区分方式,否则这两大产品线可能会被合并。
ActiveScale是一款归档存储阵列,西部数据进军归档阵列市场的历史可以追溯至其对HGST的收购。而再向前探寻,可以看到磁盘驱动器制造商HGST也是在2015年通过收购Amplidata,才将ActiveArchive归档系统招至麾下的——ActiveScale后来由此诞生。
ActiveScale最初亮相于2016年年底,并很快成为一款领先的归档产品。但DDN方面对它似乎不感兴趣,毕竟DDN已经拥有自己的WOS对象存储产品线以及Nexenta对象存储软件。
按照正常情况推断,DDN-西部数据的交易预计将于今年晚些时候结束。
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。