闪迪在FMS 2025展会上发布了256TB SSD产品,计划于2026年上半年出货。
闪迪UltraQLC SN670硬盘提供256TB和128TB两种容量版本,采用BiCS 218层3D NAND技术,配合CBA(CMOS直接键合到阵列)2Tb芯片设计,并使用PCIe Gen5 NVMe接口。该产品专为AI驱动的数据密集型工作负载而设计,如数据摄取、处理和AI数据湖应用。SN670使用与合作伙伴铠侠相同的NAND闪存,据悉其容量比铠侠245.76TB LC9产品高出10TB以上。
闪迪首席产品官Khurram Ismail表示:"随着我们进入AI时代的下一阶段,闪存存储正成为智能高性能工作负载的关键推动力。"
闪迪表示,UltraQLC硬盘配备定制化控制器和先进优化技术,但没有采用快速单层单元(SLC)缓存。该产品具备直写QLC功能,支持断电安全写入。这通常意味着性能可能低于使用SLC缓存的同等硬盘,除非控制器采用巧妙设计来提升速度。
SN670具备动态频率调节功能,在给定功耗水平下可提供高达10%的性能提升。数据保持(DR)配置预测可减少高达33%的DR回收,"提高硬盘可靠性、韧性和数据连续访问能力,同时降低功耗"。
闪迪企业级SSD系统架构高级总监Mike James在博客中说:"当你进入越来越高容量的SSD领域时,会出现有趣的挑战。一个例子是在这种规模下NAND的数据回收挑战。你不能每隔几天就重写128TB数据——这既不有效也不高效。因此,我们不断寻找新方法来截断需要回收的数据量,并发明新颖方法来减少后台回收的影响。"
闪迪声称SN670具有"更低延迟、更高带宽和更强可靠性,能够满足当今最苛刻的AI工作负载性能需求"。但目前尚未提供具体性能数据,如随机读写IOPS和顺序读写带宽,也没有耐久性统计数据。
SN670将于2026年上半年推出U.2(2.5英寸)规格版本,年内还将提供其他规格。闪迪准备在几周内将首批128TB硬盘交付客户进行测试。前述博客提到,UltraQLC产品路线图延伸至1PB SSD。
评论分析
如果SN670能在2026年4月交付,这意味着它还有8个月的开发时间,这可能解释了为什么目前没有性能和耐久性数据——硬盘及其控制器还没有准备好进行最终测试。
关于性能线索,我们可以参考闪迪早期信息。西部数据在闪迪分拆前曾在FMS 2024上提及其Ultrastar DC SN655 SSD可能推出128TB版本。这将是一款PCIe Gen 4 QLC 218层硬盘,不同于3.84TB到61.44TB的SN655系列,后者使用TLC 112层闪存和PCIe Gen 4接口。
几个月后,闪迪在2月投资者日活动上展示了UltraQLC SN670,表示这是一款PCIe Gen 5硬盘。与"领先的Gen 5 128TB QLC SSD"相比,SN670的随机读取速度快68%以上,随机写入速度快55%以上,顺序读取速度快7%以上,顺序写入速度快27%以上。当时计划于2025年第三季度出货128TB和64TB容量版本——可用容量分别为122.88TB和61.44TB。该日期已推迟两个或更多季度,最大容量也翻了一番,这意味着需要更多测试。
三个月后的5月,闪迪CEO David Goeckeler谈到了用于即将推出的128TB和256TB硬盘的新型2Tb QLC NAND芯片,配备PCIe Gen 5和6连接性以及新的Stargate SSD控制器。
基于这些信息,PCIe Gen5的SN670将比使用PCIe Gen 4的SN655以及Solidigm和群联的高容量PCIe Gen 5 SSD具有更高性能。
Q&A
Q1:闪迪UltraQLC SN670有什么特点?
A:闪迪UltraQLC SN670是专为AI工作负载设计的高容量SSD,提供128TB和256TB两种容量,采用218层3D NAND技术和PCIe Gen5接口,具备动态频率调节功能,在相同功耗下性能提升可达10%。
Q2:SN670什么时候能买到?
A:SN670计划于2026年上半年首先推出U.2规格版本,年内还将提供其他规格版本。闪迪准备在几周内将首批128TB版本交付客户进行测试。
Q3:为什么闪迪没有公布SN670的具体性能数据?
A:由于SN670距离2026年4月交付还有8个月开发时间,硬盘及其控制器还没有准备好进行最终测试,因此暂未提供随机读写IOPS、顺序读写带宽等具体性能和耐久性数据。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。