高性能存储最远可以出现在什么地方?对于铠侠而言,从遥远的太空,到身边的手机、家电,几乎所有智能化设备与存储息息相关,特别随着各行各业对存储需求不断增多,存储容量和性能变得更为重要。
例如,在过去很长一段时间中,人类在太空收集的数据需要带回地球、录入计算机后才能处理。没有了大气层的保护,太空对人类和机器都非常不友好,需要随时对抗宇宙辐射,对抗带电的亚原子粒子对电子设备造成的干扰,对抗突如其来的各种设备不稳定状态。经过不懈努力,铠侠与HPE合作,已经在国际空间站实现了高性能的边缘计算,HPE Spaceborne Computer-2配备了铠侠Value SAS、企业级SAS和NVMe SSD的,可支持进行超过130TB数据存储容量的科学实验。
让存储奔向太空只是铠侠的业务之一,无论空间站、数据中心、手机、家电,都有着铠侠存储技术活跃的影子。作为NAND闪存技术发明者,铠侠致力于将稳定、可靠的高性能存储方案推向各个领域,并让存储无处不在。
从奔向太空,到落地家电
随着NG-20任务火箭发射奔向国际空间站的产品包括铠侠RM系列Value SAS、PM系列企业级SAS和XG系列NVMe™ SSD。在太空中,铠侠高性能固态硬盘所组成的130TB存储容量已经被很好的证明了在太空中运行的稳定、可靠与高性能表现,这让空间站在太空中收集到的海量数据无需全部回传给地球超算,依靠空间站中铠侠SSD所支持的边缘计算服务器性能,就能即刻对数据进行处理,从而在更短的时间内获得科学考察的结论。
有意思的是,铠侠存储产品的可靠、稳定表现并不限于遥远的太空,在我们身边,铠侠的存储产品已经无处不在。智能家居、IoT物联网都是很好的例子,如今的智能电视已经具备了类似于手机或者PC的使用体验,不仅可以流畅运行复杂的操作系统,播放高清视频,存储视频、图片,所有的工作都需要依赖于可靠的嵌入式存储。
铠侠提供了完整的eMMC和UFS存储方案,甚至还提供了寿命更长的SLC产品,可以有效的应对智能电视、智能摄像头等长时间运作的需求,给居家物联网存储提供稳定的使用体验。
值得一提,铠侠UFS 4.0产品也已经进行了数次升级,新推出的铠侠UFS 4.0产品已经能够获得超过18%的顺序写入性能和30%随机写入性能的提升,因此也获得了更广泛的使用舞台,许多旗舰级智能手机中,都能看到铠侠UFS 4.0产品。
在汽车领域,铠侠UFS已经给车载信息娱乐系统提供了优秀的智能驾驶体验,无论酷炫的数字仪表盘、丰富的车载应用,都需要高性能的铠侠UFS支持。与此同时,铠侠车载UFS还符合-40℃至+105℃工作温度,以及AEC-Q100 Grade 2和IATF16949严苛规范,在不同的恶劣环境下,都能提供稳定、可靠的数据存储。
从云端到本地,为AI加速
人工智能AI是当下我们已经无法绕开的话题,大模型计算首先带动的是云端服务器与数据中的需求,这也意味着服务器对算力、存储有更高的需求。其中LLM大语言模型会成为首先推向应用层面的首要选择,原因很简单,相对于图像、视频而言,抽象的文字已经是最好整理的。
在当下,更多厂商已经将目光投向了图像生成和视频生成,近段时间火热的文字生成视频应用Sora,以及文生图Midjourney都是很好的例子。如果将训练模型换成图像、视频,对内容存储和读写性能需求也注定指数级攀升。
随着生成式AI深入到不同领域,能够提供高速存储性能的SSD变得至关重要。比如铠侠CD8P就配备了前瞻性的EDSFF E3.S版本,支持PCIe® 5.0和NVMe™ 2.0,可提供高达30.72TB的存储容量,拥有可达12,000MB/s顺序读取性能,并具备2000K IOPS的4K随机读取能力,在能耗与应用性能表现之间做到很好的平衡,为数据中心和企业级用户提供合理的扩容选择。
铠侠CM7系列作为高性能企业级双端口固态硬盘同样值得参考,事实上CM7系列是较早提供PCIe® 5.0和NVMe™ 2.0支持,并已经充足释放PCIe® 5.0性能的产品,最大容量同样也达到了30.72TB。拥有高吞吐量和高密度存储的性能表现,非常适合大模型计算,大数据,深度学习加速、AIGC等人工智能应用场景。
不仅如此,能够本地离线运行大模型的AI PC逐渐成为主流。在CPU、GPU和NPU多方加持下,一台轻薄型笔记本可以轻松运行200亿个参数大模型,这让笔记本上的智能助手可以更智能的帮助用户整理资料,甚至是撰写文档。
铠侠已经准备好了铠侠BG6系列消费级产品,在M.2 2230规格下最高提供2TB存储空间,支持PCIe® 4.0 x4,即可以提供64GT/s传输速率。同时还支持NVMe™ 1.4c规范。这意味着不仅轻薄笔记本,平板电脑、游戏掌机也都能获得大容量扩展支持。
存储无处不在
从太空中的国际空间站,到客厅中的电视机,存储技术已经遍布许多我们所能想象到的地方。从NAND闪存颗粒到SLC NAND产品,从eMMC和UFS到SSD,铠侠提供了丰富的存储解决方案,不仅应对了不同的应用场景,更是让存储无处不在。为终端用户和企业客户,打造了完善的存储体系,也更好的应对即将到来的AI、云计算时代。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。