希捷公司正与Hammerspace开展合作,计划将希捷的Lyve Cloud存储即服务(STaaS)及Exos CORVAULT磁盘设备纳入Hammerspace的全球数据环境(GDE)。
GDE主要为客户提供跨边缘站点、本地数据中心和公有云平台的块、文件及对象数据访问服务,帮助世界各地的分布式用户共同查看和访问同一套跨体系混合云数据集。Lyve Cloud则基于希捷Lyve Drive机架的S3兼容型对象存储服务,配有Exos AP(5U84)机箱并提供安装在Equinix全球托管数据中心内的对象存储软件。Exos CORVAULT则是一台1.9 PB SAS JBOD(单磁盘设备),占用4个机架单元空间。
希捷业务与营销高级副总裁Jeff Fochtman在声明中表示,“目前,组织机构正努力捕捉、货币化并保留持续增长的海量数据集。通过与Hammerspace合作,希捷将以更加经济高效的数据移动方式、为客户建立起跨数据中心和Lyve Cloud的数据环境。”
他同时指出,与AWS、Azure和GCP三大云巨头不同,“Lyve Cloud并不会对数据的进入计费,这也让Lyve Cloud成为Hammerspace自动化数据编排功能集的完美补充。”
希捷还强调,Lyve Cloud能够提供数据隐私、高性能、无锁定、无API费用及无出站费用等优势,由此降低了海量数据集在存储、访问和移动层面上的总体拥有成本(TCO)。Zadara与希捷也建立起合作关系,双方约定将Zadara zCompute(带有虚拟机镜像的服务器)部署在Lyve Cloud数据中心内,以便在需要时实现即付即用。
希捷公司解释道,将zCompute引入Lyve Cloud的举措将为客户带来与其他云服务商相同的云存储和计算体验——我们猜测,这里希捷所指的应该就是AWS、Azure和GCP三巨头。
Hammerspace公司战略与业务发展高级副总裁Tony Asaro表示,“Hammerspace很高兴与希捷开展合作,共同将全球数据环境平台的随处数据编排优势带给每一位希捷用户。凭借Hammerspace与Lyve Cloud的联姻,无数客户数据位于跨云、混合云、多云区域乃至于多数据中心,用户都可以随时对数据内容进行高性能本地访问。”
存储硬件供应商能与第三方计算(Zadara)和多混合云数据访问、组织及可见性服务商(Hammerspace)建立合作关系,当然是件可喜可贺的大事。这也意味着各方联手,终于有了跟公有云巨头一较高下的实力。
那希捷又为Lyve Cloud设计了怎样的下一步发展规划?我们知道Zoom会议记录已经可以存储在Lyve Cloud中。希捷明显打算吸纳更多第三方服务商的支持,这一思路跟AWS、Azure和GCP把所有服务内化为自家产品的方针明显不同。
可以看到,希捷打算把更多数据导入自家Lyve Cloud STaaS,借此提升客户购买CORVAULT设备的动力。Hammerspace对此表示认同,也乐于通过Lyve Cloud这道桥梁实现从硬件到服务的跨界融合。
也许希捷的最终野心,是凭借自己的存储资源优势建立起性价比更高的简化版AWS公有云。换言之,希捷显然已经不再满足于为传统数据中心供应大量磁盘驱动器。随着Lyve Cloud在数据保护、数据库和分析服务等层面建立起更显著的市场吸引力,相信未来希捷还会为自己的这片云生态招揽更多第三方服务商。
好文章,需要你的鼓励
Anthropic周一发布了旗舰模型Opus 4.5,这是4.5系列的最后一个模型。新版本在编程、工具使用和问题解决等基准测试中表现出色,是首个在SWE-Bench验证测试中得分超过80%的模型。同时推出Claude for Chrome和Claude for Excel产品,分别面向不同用户群体。Opus 4.5还改进了长文本处理的内存管理,支持付费用户的"无限聊天"功能,并针对智能体应用场景进行了优化,将与OpenAI的GPT 5.1和谷歌的Gemini 3展开竞争。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。
总部位于圣地亚哥的AI公司耐能发布新一代KL1140芯片,这是首款能在边缘端运行完整变换器网络的神经处理单元。该芯片可将大语言模型从云数据中心转移到便携式本地设备中,四颗芯片组合可实现类似GPU的性能,支持1200亿参数模型运行,功耗降低三分之一至一半,硬件成本减少十倍。
360 AI Research团队发布的FG-CLIP 2是一个突破性的双语精细视觉语言对齐模型,能够同时处理中英文并进行精细的图像理解。该模型通过两阶段训练策略和多目标联合优化,在29个数据集的8类任务中均达到最先进性能,特别创新了文本内模态对比损失机制。团队还构建了首个中文多模态评测基准,填补了该领域空白,为智能商务、安防监控、医疗影像等应用开辟新可能。