[中国,上海数据存储解决方案创新基地,2023年6月29日]今日,华为存储与南大通用共同发布“金融核心级数据库高可用解决方案”,基于存算分离+共享存储架构,联合GBase南大通用数据库和华为OceanStor闪存存储,提供满足金融核心系统要求的高性能、高可用数据库解决方案,加速金融、运营商等关键行业基础设施科技转型。
发布会现场,从左到右依次为:华为数据存储产品线OceanData解决方案总监严浩、华为数据存储产品线副总裁顾雪军、GBase南大通用 8s产品运营部总经理崔志伟、南大通用华东区销售总经理平娟
华为数据存储产品线副总裁顾雪军发表致辞。顾雪军表示,数据库作为企业核心应用,是支撑数字经济发展的重要基础设施。金融行业一直走在数据化转型的前沿,在新金融场景不断涌现、自主创新技术日新月异的今天,无论是传统核心业务还是新的互联网金融业务,都对数据库的效率和稳定性提出了更高的要求。华为存储与南大通用的联合创新,在可靠性、性能与能效上能够率先满足金融行业核心业务改造需求,加速企业核心级数据库改造落地。
华为数据存储产品线副总裁顾雪军发表致辞
GBase南大通用 8s数据库总经理崔志伟表示,南大通用和华为均是我国扎根IT基础设施技术多年、达到业界领先水平的基础设施供应商,正面临传统核心系统改造这一历史转折点,这既是挑战、也是机遇。存储与数据库的持续合作创新,将进一步促进我国基础设施核心系统升级转型。
南大通用GBase 8s产品运营部总经理崔志伟
华为数据存储产品线OceanData解决方案总监严浩阐述了联合解决方案的关键技术和后续规划。该方案基于存算分离+共享存储架构,充分融合GBase南大通用先进的数据库集群技术,和华为OceanStor全闪存存储全球领先的高可用、高性能技术,打造出满足金融核心级系统要求的数据库高可用解决方案。该方案具有以下特点:
●高性能:存算分离+共享存储实现一写多读,性能大幅提升
联合方案基于存算分离+共享存储架构,支撑GBase 8s SSC(Share Storage Cluster)集群实现一份数据库副本一写多读能力,使能业务系统读写分离、负载均衡;在华为全闪存存储FlashLink®算法和端到端加速等技术加持下,联合解决方案数据并发处理性能大幅提升,实现业务交易平均响应时延缩短20%,批量处理时间较缩短38%,数据备份耗时缩短6倍。
●高可靠:异地双重容灾保障,RPO=0
联合方案采用双重容灾机制确保核心业务系统高可用。在应用层,GBase数据库通过HAC (High Availability Cluster)/RHAC (Remote High Availability Cluster)技术,实现基于逻辑复制的数据库容灾,备库可读;在存储层,依托OceanStor闪存存储HyperMetro A-A双活能力,确保数据高效、完整复制到容灾站点,且不影响工作站点性能,确保RPO=0。该联合方案实现异地容灾,并确保数据不丢失、业务快速恢复,满足金融核心系统业务要求。
华为数据存储产品线OceanData解决方案总监严浩发表演讲
当前,华为与南大通用的联合创新解决方案已在西南某城商行核心业务系统商用落地并稳定运行。未来,双方还将进一步加深合作,在HAC与存储双活技术深度融合、基于参天引擎实现数据库多读多写等方向上持续创新,不断打造性能、可靠性更加优异的核心数据库解决方案,加速我国关基设施韧性升级。华为存储在深耕存储技术的同时,将不断加强存储与生态应用的联合方案创新,并与行业伙伴深化合作,共同促进国产应用生态的持续壮大,为我国数字经济建设和企业数字化转型注入源源不断的强劲动力。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。