WEKA 宣布使用 HPE PCIe Gen 5 硬件在 SPECstorage Solution 2020 基准测试的全部五个测试场景中均获得最佳成绩。
该基准测试包含五个工作负载场景:AI 图像处理 (代表 AI TensorFlow 图像处理环境)、电子设计自动化 (EDA)、基因组学、软件构建和视频数据采集 (VDA)。测试结果包括作业数或构建数、整体响应时间 (ORT) 以及供应商在结果网页上提交的其他详细指标。WEKA 在 2022 年 1 月使用 Samsung SSD 提供的本地部署解决方案就已经获得了大部分最佳成绩。随后在 2024 年 3 月,它再次在五个类别中的四个中击败其他供应商。现在,WEKA 已经在所有工作负载测试中都位居榜首。
WEKA 性能工程和技术营销总监 Boni Bruno 在博客中写道:"WEKA 基于搭载 Intel Xeon 处理器的 HPE Alletra Storage Server 4110,于 2025 年 1 月 28 日创下新纪录,在所有五个 SPECstorage Solution 2020 基准测试工作负载中均排名第一... 我们的综合解决方案不仅通过在所有工作负载中创造作业和数据流的新纪录提高了标准,还实现了显著更低的延迟 - 在某些情况下比之前的记录低了高达 6.5 倍。"
这些结果优于 WEKA 在 2024 年 3 月使用公共云实例时的表现。两个表格展示了供应商提交的 AI 图像和 EDA 工作负载的结果:
在最新的测试结果中,WEKA 的 AI 图像性能略微提高了一倍多,且延迟更低,同时将 EDA 混合作业集数量提高了 2.7 倍,延迟也更低。
图表展示了作业输出计数与 ORT (延迟) 的关系,显示了 WEKA 与其他供应商之间的差距:
我们认为 WEKA 基准测试速度的这种激增,主要归功于 Alletra 4110 存储服务器中使用的 PCIe Gen 5 总线的加速效果,它连接 NVMe SSD 和系统内存,而不是因为自去年 3 月以来 WEKA 软件有了巨大改进。
Bruno 表示:"这些记录是使用单一的一致配置在五个 SPECstorage 基准测试中实现的,无需针对特定工作负载进行调优... 这些改进意味着更快的 AI 训练、更少的半导体仿真延迟、更快的基因组分析和更快响应的视频分析。"
他的博客详细介绍了 Alletra 4110 的硬件配置,并提供了各个基准测试运行的更多细节。
就 AI 训练和推理而言,这个基准测试的竞争程度不如 MLPerf 基准测试激烈,在 MLPerf 中,DDN 和 Hammerspace 等公司在保持多个 GPU 90% 或更高利用率方面的表现优于 WEKA。
WEKA 在 SPECstorage Solution 基准测试中的优势在于它实现了对所有工作负载的全面领先。现在我们要等待和关注其他供应商,如 Qumulo 和 NetApp,使用 PCIe Gen 5 硬件测试他们的软件的表现。
好文章,需要你的鼓励
加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统,能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制,实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率,超越现有方法约5个百分点,并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。
AI系统正变得越来越善于识别用户偏好和习惯,像贴心服务员一样定制回应以取悦、说服或保持用户注意力。然而这种看似无害的个性化调整正在悄然改变现实:每个人接收到的现实版本变得越来越独特化。这种认知漂移使人们逐渐偏离共同的知识基础,走向各自的现实世界。AI个性化不仅服务于我们的需求,更开始重塑这些需求,威胁社会凝聚力和稳定性。当真相本身开始适应观察者时,它变得脆弱且易变。
约翰霍普金斯大学发布DOTRESIZE技术,通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除,在保持性能的同时显著降低计算成本。实验显示,压缩20%后模型仍保持98%性能,为AI技术普及和可持续发展提供新路径。