HPE计划将众多存储产品和服务纳入六个品牌,借此简化自家产品组合。
这项计划将在未来三年内逐步实施落地,HPE公司执行副总裁兼首席营销官Jim Jackson已经在博文中给予确认。Jackson在HP/HPE拥有22年的资深工作经验,他也非常理解客户在面对纷繁复杂的产品与服务名称时那种困惑与无力感。
“在HPE,我们正努力通过单一集成平台交付高度一致的客户体验,全面统筹HPE和HPE GreenLake的边缘到云平台各品牌。”
此次品牌结构调整将把如今的29个产品和服务品牌,简化成两个计算品牌,外加存储、网络、软件和服务品牌各一个。
HPE品牌调整计划
最终选定的品牌包括计算领域的ProLiant和Cray,存储领域的Alletra,网络领域的Aruba,软件领域的Ezmeral以及服务领域的HPE。除此之外的其他现有品牌都将做相应更名。
“为了最大限度减少品牌调中的干扰,我们将在未来三年左右内通过业务流程逐步实施这些变革。在推出新产品,或者改变现有产品的价值主张时,我们将应用新的品牌架构和命名策略。当现有产品达到使用寿命终点时,我们会淘汰其品牌名称。”
在存储领域,HPE目前拥有Alletra品牌、Simplivity HCI产品和Storeonce(配备InfoSight云管理工具的重复数据删除备份设备)。Simplivity和StoreOnce在各自产品领域都算不上市场领先,Jackson在博文中表示这些品牌名称的后续使用周期最多不会超过三年。
至于OEM形式生产的日立Vantara VSP 5000(作为高端XP8阵列销售,主要以PowerMAX为竞争对手)并不在HPE的关注范围之内。毕竟这款产品在HPE官网上存在感并不强,只在用户搜索后会显示相关条目。HPE于2021年10月发布了第二代XP8,而日立Vantara的VSP软件也已能够运行在公有云上。相信在日立发布第三代VSP 5000时,HPE才会最终决定XP8产品的未来命运。
Alletra品牌包含Alletra 9000、6000、5000、4000和dHCI等产品,具体又分为Primera(9000)、Nimble(6000、5000和dHCI)以及Apollo数据服务器(4000)等子品牌。
GreenLake存储服务同样囊括诸多品牌,包括HPE GreenLake旗下的文件存储、块存储、Alletra存储、HCI、灾难恢复、备份与恢复等多个子系列。其中文件存储和块存储服务实际运行在Alletra Storage MP硬件上。
Jackson明显不打算直接给Simplivity、StoreOnce和InfoSight等品牌直接安个Alletra前缀。从这个角度看,HPE似乎会继续使用当前名称,等待各产品的生命周期走向终点。
从某种意义上看,HPE此举似乎是在效法戴尔。在收购EMC之后,戴尔也简化了自己的存储品牌,用一块Power金字招牌囊括了一系列戴尔和EMC存储产品(包括VMAX、Data Domain和Isilon等)。如今大家所熟知的PowerMAX、PowerProtect和PowerScale等正是由此而生。IBM也曾对自家存储软件产品开展过品牌统一改革,将Spectrum品牌调整为IBM Storage。
Jackson总结称,“通过削减品牌数字并辅以描述性命名,我们将帮助客户更易了解哪些产品和服务更适合他们的需求,弄清哪些产品和服务之间可以搭配使用,还有其对应的自然升级路径是什么。”
好文章,需要你的鼓励
这项研究提出了HoPE(混合位置编码),一种针对视觉语言模型的新型位置编码技术,专门解决长视频理解的挑战。传统位置编码技术在处理长视频时表现不佳,HoPE通过两个创新解决了这一问题:混合频率分配策略(为空间信息分配高频,时间维度使用零频率)和动态时间缩放机制(根据视频速度灵活调整时间编码)。实验证明,HoPE在长视频理解和检索任务上分别提升了8.35%和22.23%,为AI更准确理解长视频内容开辟了新途径。
东京大学研究团队推出MangaVQA基准和MangaLMM模型,专门用于评估和提升AI对日本漫画的理解能力。MangaVQA由526个高质量手动创建的问答对组成,用于评估AI系统对漫画内容的深入理解;MangaOCR则专注于漫画页内文本识别。基于这两个基准,研究团队从开源多模态模型Qwen2.5-VL微调出MangaLMM,能同时处理文本识别和内容理解任务。实验显示,即使是GPT-4o等顶尖商业模型在处理漫画的独特复杂性时也面临挑战,而专门训练的MangaLMM表现出色。
这项研究由ISTA和谷歌研究院联合开发的"影响力蒸馏"方法,通过利用二阶信息为训练样本分配最优权重,实现了大语言模型训练数据的高效选择。该方法在数学上有坚实理论支持,并创新性地引入"地标"近似技术,仅需计算少量样本的精确影响力,再高效传播到其他样本,大幅降低计算成本。实验证明,该方法在多种模型和任务上均优于或匹配现有技术,同时实现了高达3.5倍的速度提升,为大模型训练开辟了更高效的路径。
来自哈佛大学等顶尖学府的研究团队在这篇论文中挑战了传统观念,认为Token压缩不仅仅是提高AI模型运行效率的工具,更应成为生成式AI模型设计的核心原则。研究表明,精心设计的Token压缩策略可以促进多模态深度整合、减轻AI"幻觉"问题、增强处理长序列输入的能力,并提高训练稳定性。论文详细分析了现有方法的局限性,并提出了算法创新、强化学习指导和硬件协同设计等未来研究方向。