近日了解到采用希捷MACH.2 多磁臂技术的硬盘目前多家客户在对其测试以进行数据中心部署。
MACH.2是一项突破性的技术,相对于单磁臂,两个磁臂可以在同一硬盘中独立工作,且IO操作是并行的,因此性能翻倍。在硬盘中,上半部分的读写磁头由一个磁臂驱动,而下半部分由另一个磁臂来主导,每个磁臂负责硬盘总容量的一半。一块硬盘,两倍的IOPS,解决了IOPS/TB的挑战。
MACH.2已经在许多应用中展现了其优势,包括内容分发网络(CDNs)、视频流、邮件服务器、备份/传输服务、大数据分析(Hadoop)以及云应用等等。
微软对采用双磁臂技术的希捷Exos 2X14进行测试
目前希捷捷银河(Exos)2X14采用了MACH.2 多磁臂技术,并且微软已经完成了希捷银河(Exos)2X14首轮功能部署测试。
微软的合作伙伴架构师Aaron Ogus谈到,“随着希捷MACH.2技术的开发,我们和希捷合作以确保MACH.2满足我们的业务需求。我们的目标是MACH.2技术的吞吐量达到目前所配置的单磁臂硬盘的近两倍,而通过测试表明这个目标已经达成。”
云数据中心的空间极为宝贵,因此云供应商努力为诸多应用提升同一插槽的IOPS。
MACH.2硬盘将被部署用以支持微软所有的云解决方案服务(CSP),包括Azure和Exchange——而这些程序已经充分共享了空间。而微软希望降低插槽成本,成本的降低依赖于占地空间、电力以及散热等各种因素的共同作用。随着客户发现所安装硬盘的IOPS持续走低,他们不得不另想办法,比如增加双磁臂硬盘。
微软不断调整Exchange架构以最大化服务器吞吐量。希捷的MACH.2技术允许Exchange在持续部署更大容量硬盘的同时,保持服务水平协议的低延迟。希捷支持微软部署14TB希捷银河2X14这种更大容量的硬盘,而希捷MACH.2技术帮助微软既获得了所期待的系统容量,同时也足以支持Exchange的数据吞吐量。
如果部署采用MACH.2技术的Exos 2X14硬盘。数据中心可以为每个插槽安装一块14TB双磁臂硬盘。对于应用来讲,这和两块7TB硬盘所带来的高吞吐量非常相似,区别是装置在单个插槽。
希捷与微软携手开发MACH.2技术,满足云计算应用所需
希捷首批希捷银河(Exos)2X14双磁臂硬盘的设计与特性直接响应客户的需求。在MACH.2多磁臂技术的整个研发以及推出过程中,微软一直以紧密合作伙伴的身份参与其中。
希捷全球云应用销售负责人Chris Hensley称:“在MACH.2技术发展中,我们和微软一直在数据中心领域密切的合作。从最初设想阶段到现在,他们一直都给予极大支持。在与微软不断沟通如何解决他们IOPS/TB问题的过程中,我们的MACH.2多磁臂架构得以发展。”
Borden表示:“整个过程中,微软一直伴随我们左右,我们也让他们参与到每个环节,并从早期的硬盘样品开始,我们一直受到他们启发。微软在架构初期就与我们合作,确保我们的设想能够转化为他们后期的部署。这也一直是开发MACH.2架构第一次迭代的关键,采用双重LUN SAS——适用于微软数据中心架构且合理反映其他大型云计算用户的需求。”
随着希捷银河(Exos)2X14双磁臂硬盘的不断推进及发展,硬盘家族将呈现不同规格和属性,以满足各种企业用例。
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。