云计算像水和电一样,成为数字经济时代不可或缺的基础设施。怎样让云更稳更快?如何构建高效全能、灵活易用、稳定可靠的基础设施?这是云计算提供商思考的首要问题。
为此,腾讯云和希捷一直在紧密协作,引入新品、联合测试、验证优化,通过构建可靠的基础设施,为数据价值的深度挖掘和激活打下稳健根基。
具体说来,针对腾讯云自研服务器的研发、测试,数据的保护和恢复、硬盘的固件定制与健康管理等方面,双方共同携手,保持着紧密的技术沟通,共同打造稳定、可靠、高可用、可扩展的数据存储方案。
充分测试腾讯自研服务器,提升系统可靠性可用性
伴随腾讯云业务规模的快速增长,基础设施架构与运营成本面临重大挑战。自研服务器对腾讯云的重要性不言而喻。腾讯云自研服务器专注于腾讯独特的应用需求,在散热、功耗、性能、成本等方面相较标准化服务器均有一定差异。
在腾讯云自主开发的服务器产品投入使用前,双方就针对服务器样机,导入希捷银河系列企业级硬盘进行测试。联合实验测试关注硬盘在系统层面的表现,针对兼容性、抗震性、性能、可靠性进行了测试,确保希捷产品能够在腾讯自研服务器中顺利运转,进而提升腾讯云自研服务器的整体性能与密度,并帮助最终用户降低总体拥有成本。
在联合测试的过程中,希捷产品的抗震性、性能、可靠性、兼容性得到充分验证。希捷也聆听到腾讯云的需求和建议,从而对下一代硬盘产品优化设计。
易失性写缓存数据丢失检测,提升数据恢复效率
在双方的技术协作中,数据安全是非常重要的研究项目。希捷和腾讯云一直努力寻求更为可靠的数据安全保障。易失性写缓存数据丢失检测(data loss detection)就是希捷专为腾讯云定制的研发项目。希捷基于硬盘自身机制,开发相关技术,并配合腾讯云的上层指令来消除数据丢失风险。
Fleet management硬盘健康管理,改善用户体验
Fleet management硬盘健康管理是双方共同探索的一个重点。2017年11月开始,希捷开始为腾讯云部署FARM(Field Accessibility Reliability Metrics),基于大数据机器学习的健康监测建模;并于近期开发了硬盘在线故障诊断工具(Field Events Log)。该项目旨在重塑硬盘日志以及进行故障预测,从而保障硬盘的可靠性及数据安全。
通过部署FARM项目,希捷联合腾讯云对硬盘的运行数据(磁头数据、碟片数据、温度、湿度等数据)进行检测,应用大数据建模分析存在失效风险的硬盘。
通过大数据分析,该项目可提前15天上报不同风险等级的预警,提示用户采取措施以避免硬盘批量失效导致的业务和数据风险。
定制固件,全面优化产品并降低成本
希捷还为腾讯云专门定制固件,优化产品特性。定制化全面体现在产品的研发设计、固件优化、前期生产制造控制、后期测试、调试等等环节。
通过定制固件,希捷在多个产品系列中为腾讯云进行了优化。定制产品已经大量生产并应用在一线。定制化以后,产品质量和用户体验均得到了显著提升。
Fleet Management硬盘健康管理与定制化两项技术相得益彰,助力客户年换盘率和硬盘非故障换盘率显著降低;不仅提升产品质量,更大幅降低成本。
截至目前,腾讯云和希捷的合作已超越了产品测试层面,双方还积极参与到产品研发、架构设计、验证部署等过程。希捷的工程师团队在针对腾讯的特定工作负载与特定应用,探索如何提升产品性能、降低延迟、不断调优,以适配腾讯云的应用需求。
“产业智变,云启未来”,面对未来高速变化的市场,希捷还将与腾讯云继续携手,让云计算至快至稳。
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。