昆腾公司(NYSE:QTM)今天宣布推出Xcellis®横向扩展NAS,作为业界屈指可数的工作流存储设备,它兼具了管理功能和企业横向扩展NAS的强大功能,以及满足企业现代数据增长所需的高性价比扩容。Xcellis®横向扩展NAS的性能比竞争对手的企业级NAS产品高3倍,由于其采用了分层的集群存储,在容量和性能相同的情况下,其成本只有其它企业级NAS解决方案的十分之一。这一整合让Xcellis 横向扩展NAS具有得天独厚的优势,能够全面满足高价值数据环境的需求。在这种环境中,企业收入和产品都围绕数据而构建。

大规模统一的非结构化数据
许多物联网、媒体娱乐、生命科学、制造、视频监控以及企业高性能计算(HPC)环境的发展速度都快于传统企业级NAS。过去十年,用户通常选择转投横向扩展NAS,将其作为一种替代方案,但是他们发现扩大容量、集成云战略以及共享数据只能是事后想法,甚至不可能与他们所采用的解决方案相结合。与企业IT负载不同,高价值负载环境中的数据在方方面面持续增长--摄取、处理、分析、分发、归档,这些环境需要具有管理以及企业级NAS功能的存储解决方案,但是这也可能会造成性能和容量扩展时的性价比不高。充分利用昆腾行业领先的StorNext?并行文件系统和数据管理平台,Xcellis横向扩展NAS为那些具有高价值负载的企业提供行业领先的性能、可扩展性和管理效益。
• 以较高的性价比提高性能和容量:集群可以同时提高性能和容量,或者单独达到数百PB的容量和每秒TB级的性能。单个客户端(SMB、NFS或高性能客户端)就可达到3倍于竞争对手横向扩展NAS产品的性能,而多个客户端则可以把一个集群的带宽扩展到超过1TB/秒。此外,Xcellis已被证明能够在包括磁带或云在内的简化的工作流中管理PB级数据,采用这一方法达到的性能优于"仅使用NAS"的领先替代方案的性能,而且仅需支付后者成本的十分之一。
• 先进的功能和灵活的管理:通过简单安装和设置,一个现代管理单屏界面即可提供深度监测、警报和管理功能,以及快速扫描和搜索功能,这些功能可以控制大数据库。Xcellis横向扩展NAS的设计旨在通过SMB和NFS接口集成性能最高的以太网网络,此外该设计还提供了在同一个融合解决方案中支持高性能块存储的灵活性。
• 生命周期、位置和成本管理:Xcellis横向扩展NAS充分利用了根植于StorNext的超过15年的数据管理经验,Xcellis数据管理在SSD、磁盘、磁带、对象存储和公有云之间提供自动分层。可以针对内容分发、协同办公、数据保护和灾难恢复创建副本。
集成人工智能功能的Xcellis
Xcellis横向扩展NAS是业界唯一集成人工智能功能的NAS解决方案,让客户能够从新数据和现有数据中创造更多价值。它可主动查询多种数据,以便发现事件、对象、面孔、词汇和情绪,从而自动生成自定义元数据,为使用存储资产开启新的可能性。
支持的言论
Vincent Chang,Arrosoft 解决方案总裁
• 坦率地说,很难找到既能够在业绩、规模和管理上提供服务,同时又能降低成本的产品。 Xcellis横向扩展NAS为经销商提供了昆腾解决方案,该解决方案定位于那些面临非结构化数据增长挑战的组织且涵盖多个领域,包括性能、容量、成本、管理、保护、云策略和人工智能。"
Scott Sinclair,企业战略集团高级分析师
• 各行各业中非结构化数据的激增为发现和变现提供了无限的机会,但是传统存储和管理数据的方式让许多企业都无法发挥其全部潜力。Xcellis横向扩展NAS旨在让用户能够单独扩展性能和容量,并有效降低成本,防止存储成为阻碍进程的障碍。"
Molly Presley,昆腾全球营销副总裁
• 为企业数据管理设计的NAS系统与为数据密集型负载所设计的HPC解决方案之间的市场存在着差距。Xcellis横向扩展NAS通过在一个解决方案中整合企业所需的功能以及HPC所需要的性能而消除了这一差距。Xcellis能够独家提供具有磁带和云经济效益的容量,以及获得先进数据洞察所需的集成人工智能,甚至能够支持同一个平台中的传统块存储需求。"
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。