Pure Storage今天宣布推出基于QLC闪存(是一种尚未在数据中心广泛部署的固态内存)的FlashArray//C存储系统升级版。
该系统旨在取代传统的混合阵列——一种结合了闪存和磁盘存储的、被广泛使用的存储系统。Pure Storage认为,这种硬件可以帮助企业更有效地运行Tier 2工作负载,例如通常部署在混合阵列上的备份应用。
Tier 2工作负载是对企业运营至关重要的一系列服务,但无需运行在数据中心速度最快的硬件系统赶上,FlashArray//C正是专门为此类应用设计的。Pure Storage最初设计的FlashArray//C使用的就是QLC,但去年发布的时候是不可用的,当时Pure Storage承诺会在2020年增加对QLC的支持。
QLC闪存中的Quad-Level Cell的缩写。所有闪存芯片都是由硅单元构成的,这些单元以电荷的形式存储数据,对应1和0,一个单元中可以存储的数据量,取决于能够保存多少个所谓的电荷状态。QLC闪存的每个单元中可以保存16个电荷状态,是目前能够批量生产的容量最高的固态内存。
但QLC芯片也有某些缺点,使其速度要慢于数据中心中采用的其他主流闪存。不过,QLC的高容量使其更适合于各种存储密集型Tier 2工作负载,包括备份、商业智能和许多通用计算任务,这些都是Pure Storage有望通过此次升级FlashArray//C系统瞄准的使用场景。
Pure Storage表示,FlashArray//C是业界第一个可以完全满配QLC闪存的存储系统。客户可以选择两个QLC模块:一个24.7 TB的模块和一个密度更大的49 TB模块,Pure Storage称,这是目前市场上的最高容量。而且,FlashArray//C阵列可容纳多个模块。
Pure Storage表示,该系统可以降低运行Tier 2工作负载的成本,“淘汰”掉用于此类应用的传统混合闪存和磁盘阵列。企业之所以选择混合阵列,是因为磁盘比闪存更便宜,混合在一起的系统成本效益总体上要高于全闪存系统。
但是在适当的价格点上,全闪存系统具有性能更高的优势。Pure Storage表示,FlashArray//C打消了客户使用外部厂商混合阵列的需求,从而简化了数据中心的维护流程。现在,他们可以将Pure Storage硬件用于运行关键任务和Tier 2工作负载,这会将降低维护两组完全独立的存储基础设施的复杂性。
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。