今天,全球领先的海量数据存储基础设施解决方案提供商希捷科技(NASDAQ:STX)发布了Mozaic 3+(魔彩盒3+)里程碑式平台,标志着存储行业进入全新时代。
Mozaic 3+™(魔彩盒3+)平台,搭载领先的热辅助磁记录(HAMR)技术。该平台标志着单碟片面密度达到了前所未有的3TB+,并在未来几年内将实现单碟4TB+和5TB+的发展路线图。
Mozaic 3+(魔彩盒3+)加持了希捷的旗舰企业级希捷银河Exos产品系列,其中包括最新发布的30TB及以上容量的硬盘。希捷银河Exos 30TB+硬盘将于本季度向超大规模云客户批量供货。
希捷在硬盘面密度(每碟片上可存储的数据)方面的创新解决了行业共同面临的痛点。Mozaic 3+(魔彩盒3+)使用户能够在相同空间内存储更多的数据。目前,大规模数据中心采用的硬盘单盘平均容量为16TB。从16TB的垂直磁记录(PMR)硬盘升级到希捷银河Exos 30TB Mozaic 3+(魔彩盒3+)技术硬盘,容量在相同的空间内实现了翻倍。
该平台使用与PMR硬盘基本相同的材料组件,同时大幅增加容量,使数据中心能够显著降低存储采购和运营成本,每TB功耗降低40%。Mozaic 3+(魔彩盒3+)还可以帮助客户实现可持续发展目标,这是大规模数据中心的首要任务。相较于传统的16TB PMR的硬盘,新一代产品每TB减少了55%的碳排放。
希捷面临着来自数据中心客户的强劲需求,预计将于本季度末完成Mozaic 3+(魔彩盒3+)的验证测试,并开始批量出货。全球领先的一家云服务提供商用户正计划将数据中心的希捷硬盘产品升级至Mozaic 3+(魔彩盒3+),这也表明了用户对该技术的信心。
希捷科技首席执行官Dave Mosley博士表示:“希捷是全球唯一一家能够实现单碟3TB存储面密度的硬盘制造商,将来会实现单碟5TB的面密度。随着人工智能应用场景对原始数据集的重视,越来越多的企业需要尽可能地存储所有数据。为了应对由此产生的海量数据,面密度创新举足轻重。”
Dave Mosley博士还指出:“Mozaic 3+(魔彩盒3+)平台不仅仅代表HAMR技术,它还整合了多种行业领先的创新技术,从而有效提升面密度。”
以下是Mozaic 3+(魔彩盒3+)平台的亮点:
1. 超晶格铂合金介质。高密度记录的物理学原理要求在纳米级基础上实现更小介质的颗粒尺寸,但颗粒越小,稳定性越差,这是挑战所在。传统合金无法提供足够的磁性稳定性以实现有效可靠的存储。在Mozaic 3+(魔彩盒3+)平台中,开创性地使用了铁-铂超晶格结构作为介质合金,显著提高了磁盘介质的磁矫顽力,数据写入更加精确,并实现了前所未有的位稳定性。
2. 等离子写入器。为了配合更加稳定和牢固的超晶格铂合金介质,产品设计了一个革命性的写入器,这是一个微型化和精密工程的奇迹,也是希捷独有的HAMR技术的呈现。这项技术的背后是纳米光子激光器,它在介质表面产生一个微小的热点,以便可靠地写入数据。
希捷计划将纳米光子激光器垂直集成到等离子体写入器子系统中。Dave Mosley博士表示:“我们为Mozaic 3+(魔彩盒3+)自主开发了独特的激光技术,将确保更高的效率和产量,以支持快速规模化的批量生产。”
3. 第7代自旋电子读取器。更小的写入数据颗粒只有在能够被读取时才能发挥作用。该读取器与等离子写入器的子组件一起集成,也需要不断进化。Mozaic 3+(魔彩盒3+)采用了量子技术,该读取器是世界上最小、最灵敏的磁场读取传感器之一。
4. 12nm集成控制器。为了高效地协调所有这些技术,希捷使用的集成控制器是一款完全由公司内部开发的片上系统。相较于之前的解决方案,这种专用集成电路实现了高达3倍的性能提升。
IDC全球数据研究中心研究副总裁John Rydning表示:“硬盘面密度的提升对于经济高效地扩展海量存储容量,尤其是数据中心的部署至关重要。希捷创新性的面密度突破恰逢其时,也使希捷能够在未来几年内提供容量越来越大的硬盘产品。”
除了数据中心,Mozaic 3+(魔彩盒3+)存储技术还将支持更加广泛的应用,包括企业级、边缘、NAS以及视频和图像应用(VIA)市场。
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。