数据基础设施厂商NetApp宣布正在更新自己的企业存储产品组合,推出了几款可提升整体性能的全新中端全闪存阵列。
NetApp还宣布对基于混合云的软件定义对象存储服务NetApp StorageGRID进行了一些更新,为客户提供更高的密度和性能。
此次宣布推出的新系统包括NetApp AFF A系列产品组合的新型号,例如NetApp AFF A20、AFF A30和AFF A50全闪存阵列。与该系列的高端型号一样,这些中端全闪存阵列旨在为客户带来了升级的特性,包括亚毫秒级延迟和比上一代阵列高2.5倍的性能。
NetApp表示,其他优势还包括保证存储效率、集成实时勒索软件保护和提高存储密度,而且这些新阵列系统都是由NetApp旗舰存储管理软件NetApp ONTAP提供支持的。
NetApp在今年5月推出了AFF A系列的首款系统,旨在消除存储孤岛和复杂性、加速高级工作负载并优化存储成本。NetApp表示,作为一种统一的通用存储解决方案,这些系统适用于任何类型的数据,可以和任何应用或者云搭配使用。
这些系统支持块、文件和对象存储协议,并且可以与AWS、Google Cloud和Microsoft Azure进行本地集成,使企业能够整合多个工作负载,降低数据成本,并在没有孤岛的情况下运行。
NetApp表示,新的AFF A20阵列面向希望从小处着手或者只是在远程和分支机构构建现有存储基础设施的客户,每个阵列的容量低至15.35 TB。AFF A30阵列面向那些希望从小处着手并扩大规模的客户,存储容量提升至超过1PB。AFF A50提供了相同的容量,但性能是其前代产品的2倍,而且机箱体积小得多,只占用三分之一的机架空间。
NAND Research分析师Steve McDowell表示,A系列产品是NetApp产品组合中一个有趣的新成员,它把闪存存储带入了企业的新领域。由于它的物理占用空间减少且最低容量更低一些,所以可以把闪存安装在大型企业数据中心之外,例如远程和分支机构等边缘位置,而这些位置以前部署此类系统是不实际的。
“它们是不错的产品,NetApp设法大幅缩小了占用空间并降低了功耗,同时提供了与竞争产品相当的性能水平,”McDowell说。
除了A系列,NetApp还增强了AFF C系列产品线,旨在为统一文件、块和对象存储协议中的通用工作负载提供更大价值。AFF C系列提供了最大的密度和效率,并具有可扩展的能力,新型号包括AFF C30、AFF C60和AFF C80系统,使企业更容易获得闪存带来的性能和效率提升。
NetApp表示,客户可以从C系列阵列的双机架部署中获得最多1.5 PB的存储容量,与上一代相比,优势包括节省了高达95%的占地面积,节省高达97%的电力。
McDowell表示,他对新的C系列阵列印象深刻,该系列把容量闪存带入了以前一直由传统硬盘主导的领域。
他说:“这些阵列将全闪存扩展到近线存储这个旋转硬盘仍然占主导地位的领域,如果这种趋势持续下去,那么硬盘占主导地位的日子可能就不多了。”
NetApp高级副总裁、企业存储总经理Sandeep Singh表示,这些新阵列将帮助企业应对数据量的持续增长和IT工作负载日益增长的容量需求。
“面临这些挑战的客户可以依靠NetApp提供持续创新,这一点从发布功能更强大、更智能、更安全的NetApp AFF A系列系统和可扩展、高效、更安全的NetApp AFF C系列系统就可以看出,”他说。
至于NetApp StorageGRID,此次更新主要是为了帮助客户扩展和管理不断增长的对象存储工作负载。StorageGRID 11.9版本增加了存储桶数量,从而提高了可扩展性,并通过设置仅元数据和仅数据节点的选项提高了灵活性。
同时,NetApp StorageGRID扩展了对60 TB闪存驱动器的支持,这意味着它凭借高出2倍的密度支持对象存储的部署。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。