分析机构Gartner最新发布优胜厂商榜单,上榜厂商为客户提交的认为高于平均水平的分布式文件系统及/或对象存储供应商。位列榜首的分别是华为、MinIO、Nutanix、Pure以及WEKA。
Gartner发布的这份Peer Insights榜单包含相应表格,并对排名次序做出了解读:
与著名的“魔力象限”(MQ)类似,Peer Insights同样采用四框图,区别在于各供应商在框内仅按字母顺序列出,而不再匹配x和y轴上的得分做二维精确定位。换言之,Gartner的这份“客户之声”(VoC)框图在粒度方面远低于魔力象限。
客户之声的横轴代表用户关注度,纵轴则表示整体体验。各家厂商必须先获得超过平均的市场客户评级,才能跨出左下框进入其他区间。而这里取的平均值,来自截至2023年1月31日的之前18个月内总计741份Gartner客户反馈与评级。
这里统计的厂商,必须在这18个月的提交周期内获得过20条或以上的合格评论(以及15条或以上的「能力」与「支持/交付」评级),反馈信息来自供应商合作伙伴或最终用户,且业务收入不低于5000万美元。
带着这些标准,我们可以看看图表中有没有例外存在。HPE没有出现,但其合作伙伴VAST Data倒是榜上有名,这也许可以算是HPE的间接参与。Hitachi Vantara和戴尔也都没能出线。对于PowerScale文件管理器和对象存储产品的市场领导者来说,戴尔连名字都没露实在让人意外,不知道Gartner是怎么得出这个结果的。
上榜的厂商则包括XSKY星辰天合(北京),这是一家来自中国的软件定义存储厂商,在Ceph拥有社区代码贡献量全球第三、中国第一的傲人成绩。
Gartner报告作者还将数据细细切碎,希望展示中等规模客户和北美客户的观点。下面两份图表都体现出了与主图表不同的有趣差异:
在中等规模客户的图表中,只关注大客户的厂商纷纷离场。可以看到,MinIO令人意外地消失不见,但WEKA仍然留在了表格当中。Nutanix下降了一格,Pure则连降两格掉到了Aspiring区间。
在北美客户的版本中,华为、星辰天合、Nutanix、Qumulo、VAST Data、DDN、Hitachi Vantara、NetApp 和 Red Hat消失不见。而且出乎意料的是,Pure在这份图表中的“整体体验”方面居然下降了。
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。