2022年6月23日,长江存储推出新一代商用固态硬盘——PC300系列产品。该产品是长江存储针对新一代全场景应用需求开发的PCIe 4.0 NVMe M.2固态硬盘,可灵活适配笔记本、超薄本、二合一电脑、台式电脑、IoT/嵌入式设备及服务器等终端,满足全场景存储应用需求。
Forward Insights数据显示:消费级PCIe 4.0 固态硬盘市场正处于爆发式增长阶段,出货量年复合增长率高达86% ;预计到2024年,其市场份额将增长至94%。
图:长江存储PC300, M.2 2242(上)与M.2 2280(下)
长江存储产品管理部负责人范增绪表示:“长江存储致力于以新技术为存储市场赋能,持续丰富商用固态硬盘产品线。继PC005、PC210之后,长江存储推出PC300系列固态硬盘以满足不断激增的PCIe 4.0 固态硬盘市场需求。该产品依托长江存储创新的晶栈(Xtacking®)架构,为商用电脑提供灵活高效、安全稳定的数据存储。”
PC300系列固态硬盘产品采用长江存储第三代三维闪存芯片,支持PCIe 4.0、NVMe 1.4等接口协议,其顺序读取速度最高可达3,900 MB/s,最高工作功耗低于5W,采用无缓存设计,支持HMB。同时,PC300提供256GB、512GB、1TB三种容量和M.2 22 x 42mm和22 x 80mm两种尺寸,能够灵活满足商用办公、娱乐等需求。
业内著名分析机构Forward Insights分析师Gregory Wong表示:“ PC300固态硬盘采用长江存储最新的闪存芯片技术,能够为众多功耗敏感型应用,提供高性能、高性价比的存储解决方案。”
长江存储在产品设计和研发上持续创新,使PC300具有以下产品特色:
PC300以最高可达3,900 MB/s顺序读取速度和2,800 MB/s的顺序写入速度在性能上领先同级产品。同时工作功耗维持在5W以下,支持低功耗模式,有效减少发热,提高笔记本电脑使用舒适度,同时增加续航时间。
PC300支持LDPC纠错,全路径数据保护,可保障数据处于安全可靠的存储环境中。
PC300采用HMB(Host memory buffer,主机内存缓存)方案配合SLC缓存机制,可有效保障性能并助力商用电脑降低总拥有成本。
PC300采用搭载长江存储创新的晶栈(Xtacking® )2.0技术的第三代三维闪存芯片打造。新一代晶栈(Xtacking® )2.0技术可为三维闪存提供更快的I/O传输速度、更高的存储密度和更灵活的产品上市时间。
长江存储市场营销负责人Alex Wang表示:“此次推出的PC300系列产品,通过了主流及前沿平台的测试和验证,已正式推向市场。未来我们将持续丰富产品,为合作伙伴提供灵活高效、安全稳定的存储方案和服务,助力他们为用户打造一流的终端产品。”
更多相关消息,请访问YMTC官网进行深入了解。
注:
① 本材料中所涉及的数据均为长江存储内部测试结果。性能根据测试配置、固件版本的不同可能有所差异。
② 存储产品出厂的容量通常是按照1MB=1,000KB,1GB=1,000MB,1TB=1,000GB计算。可访问的总容量将因操作系统而有所差异。
关于长江存储
长江存储科技有限责任公司成立于2016年7月,总部位于武汉,并在北京、上海、深圳等地设有研发中心及销售服务网点。长江存储是一家专注于3D NAND闪存设计制造一体化的IDM集成电路企业,除嵌入式存储芯片,长江存储还面向全行业客户提供商用级、企业级与消费级固态硬盘产品和完整的系统解决方案,广泛应用于移动通信、消费数码、计算机、服务器及数据中心等场景。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。