根据 Xinnor 发布的一份案例研究 [PDF],新加坡一所知名大学通过采用 Xinnor 的 xiRAID 存储技术,显著提升了其 AI 研究速度。
为支持持续性研究工作,这所未具名大学部署了包括 Nvidia 在内的多个 GPU 和计算系统。
该校的部署方案支持医疗保健和自然语言处理等领域的高级 AI 项目,并配备了 BeeGFS 客户端和服务器集群。BeeGFS 是一个为高性能计算开发的并行文件系统,包含分布式元数据架构,提供可扩展性和灵活性。
在存储需求方面,该大学要求具备快速数据访问能力、数据保护、易于部署和管理、成本优化,以及能够根据未来客户端增长和性能需求进行扩展的能力。
为满足这些要求,由 Xinnor 本地合作伙伴 On Demand System (ODS) 设计的存储方案通过两个 100Gb InfiniBand 端口,实现了 24.7Gbit/秒的顺序读取性能。
该基础设施包含两个服务器节点,每个节点配备 24 个 NVMe 驱动器,并由 xiRAID 提供保护和加速。这种配置不仅满足了所需吞吐量,还确保了数据保护和未来扩展的可能性。
软件驱动的 xiRAID 技术采用先进算法提供冗余和容错能力,即使在多个驱动器同时故障的情况下也能确保数据安全。针对未来的性能需求,该大学可以通过增加 InfiniBand 卡来提升性能。
Xinnor 首席营收官 Davide Villa 表示:"xiRAID 能够实现接近完美的资源利用率并最大化 NVMe 性能,这对学术研究来说是一个突破性进展。我们与 ODS 的合作展示了软件定义 RAID 如何满足 AI 和高性能计算工作负载的严格要求,同时优化成本并简化部署。"
On Demand System 创始人 Rakesh Sabharwal 补充道:"通过将 xiRAID 作为解决方案的核心,我们帮助该大学在研究和创新领域突破了界限。xiRAID 与 BeeGFS 的无缝集成为大学提供了可靠、高性能的存储基础,完全符合大学的发展愿景。"
好文章,需要你的鼓励
四川大学研究团队发现,当前先进的AI模型在面对信息不完整的数学问题时,缺乏主动询问澄清信息的能力,更倾向于基于假设给出答案。
中南大学等机构联合发布TextAtlas5M数据集,包含500万图像-文本对,专门解决AI长文本图像生成难题。该数据集平均文本长度148.82词,远超现有数据集,涵盖广告、学术、教育等真实场景。配套的TextAtlasEval基准测试显示,即使最先进的商业模型也面临显著挑战,为AI图像生成技术指明了新的发展方向。
从11岁就梦想造人形机器人的Bernt Bornich,用'huggable'形容他的Neo Gamma机器人——这个能举起150磅的66磅'运动员',正以家庭为试验场突破AI学习瓶颈:'工厂20小时就触及学习天花板,而家庭环境的多样性才是通往AGI的钥匙'。
剑桥大学研究团队创建了史上最难的AI视觉测试ZeroBench,包含100道精心设计的视觉推理题目。在这项测试中,包括GPT-4o、Claude、Gemini在内的20个全球最先进AI模型全部得了0分,暴露了当前AI在基础视觉理解上的严重缺陷。研究发现AI主要在计数、空间推理等基础任务上失败,而非逻辑推理能力不足。