东芝推出了22TB MG10F磁盘驱动器,比希捷晚了5个月,比西部数据晚了14个月。
基本上,该HDD在其现有3.5英寸外形尺寸的MG10系列基础上增加了10%的容量,一年前宣布的型号为20TB。与该HDD类似,它是一种企业级容量或近线产品,转速为7200rpm,最多有10个盘片,以及12Gbit/s SAS(2到22TB)和6Gbit/s SATA(1到22TB的)接口。
Toshiba 22TB MG10F图形
随着容量的增加,驱动器使用不同的技术。从1TB到10TB,它在充气外壳中具有传统的垂直磁记录(PMR)介质。12TB至16TB的产品改用充氦外壳,但仍使用PMR,而18、20和22TB的变体在充氦外壳内有通量控制微波辅助磁记录(FC-MAMR)盘片和磁头。FC-MAMR使用微波效应来提高面密度下的写入信号的效果。
缓存缓冲区大小在128MiB(1和2TB)、256MiB(4–14TB)和512MiB(16–22TB)之间变化,持续数据速率在204 MBps(1和2 TB驱动器)和284MBps(22 TB驱动器)之间变化。
Western Digital的Gold系列 22TB硬盘提供高达291MBps的数据,Seagate的22TB IronWolf Pro系列提供高达285MBps的速度。
东芝没有提供这种驱动器的任何叠片磁记录(SMR)版本,这种驱动器可以通过部分重叠的写入磁道提供15%左右的额外容量增加。Western Digital的22TB硬盘有26TB SMR升级版。2022年2月,东芝磁盘驱动器的路线图显示了一款26TB SMR产品,但该产品尚未上市。
带SAS接口的MG10F现在正在第四季度开始的SATA产品抽样发货中。未提供定价信息。可提供SED(自加密驱动器)和SIA(即时擦除)选项。
好文章,需要你的鼓励
上海交通大学研究团队利用影响函数揭示了数据特征如何刺激大型语言模型的数学和代码推理能力。研究发现高难度数学问题能同时提升数学和代码推理,而低难度编程任务对代码推理最有效。基于此,他们提出了"任务难度翻转"策略,使模型在AIME24准确率翻倍至20%。细粒度分析还显示,探索性思维行为对推理有积极影响,而数学推理偏好逻辑连接词,代码推理则强调结构化语法。这些发现为优化AI训练数据提供了重要指导。
本研究提出了"能力-难度对齐采样"方法(CDAS),革新了大型语言模型强化学习训练中的数据采样策略。与传统方法不同,CDAS通过聚合历史表现差异实现更稳定的问题难度估计,并将模型能力与问题难度动态匹配。在多个数学推理基准测试中,CDAS达到了46.77%的最高平均准确率,同时比竞争策略提高了2.33倍的计算效率。研究还证明了CDAS在代码生成任务和更大型模型上的有效性,为提升大型语言模型的推理能力提供了高效可靠的新方法。
InfantAgent-Next是一款突破性的多模态通用型AI助手,能通过文本、图像、音频和视频与计算机进行交互。不同于现有方法,它采用高度模块化架构,将基于工具和纯视觉的代理技术融为一体,让不同模型能逐步协作解决分散任务。在OSWorld视觉测试中达到7.27%的准确率,超越Claude-Computer-Use;同时在代码处理基准SWE-Bench和通用任务平台GAIA上也表现出色。其开源设计不仅提供了丰富工具集,还优化了鼠标点击定位和文件编辑功能,为AI自动操作计算机开创了新范式。
KAIST等机构研究团队提出的"覆盖原则"框架揭示了大语言模型在组合泛化能力上的基本局限。研究表明,依赖模式匹配的模型只能泛化到那些可以通过替换功能等价片段到达的输入。实验证实,两步推理任务的训练数据需求与词表大小成二次方增长,且增加模型参数并不改善这种关系;路径歧义任务会导致模型形成上下文依赖的表示;思维链监督虽能提高效率但仍受覆盖限制。研究最终提出三类泛化机制的分类法,为理解组合推理和真正系统性泛化所需的创新提供了清晰路径。