2015年3月25日—世界领先的高性能端到端互连方案提供商Mellanox(纳斯达克交易所代码:MLNX)今天在北京举办了2015 Mellanox技术峰会(Mellanox Technology Summit)。本届峰会是Mellanox首次在国内举办的大型技术分享和解决方案交流会,吸引了来自各个行业超过200名资深CIO和IT经理。此外,还有Mellanox的五家合作伙伴参加并展示了自身与Mellanox合作的解决方案以及应用场景。
Mellanox创始人兼CEO Eyal Waldman先生在大会上做了主题为“驾驭数据、创造价值”的主题演讲。他分享了Mellanox为高性能计算(HPC)、云计算、大数据和互联网数据中心带来的高效网络解决方案,并着重介绍了Mellanox的100Gb/s的端到端网络产品线。他表示,随着移动终端和App的增多,全世界的数据正在呈指数级的增长,从而对数据中心提出了极大的挑战:如何实时高效的处理和作出响应。Mellanox能够为数据中心提供低延迟、高吞吐、超高可扩展性的网络解决方案,并能够兼容包括x86、Power、ARM等多平台的服务器,甚至能够为GPU和FPGA等异构计算提供网络加速。
Mellanox是目前全球范围内唯一一家能够为数据中心提供端到端100Gb/s网络解决方案的企业,包括了EDR 100 Gb/s的Switch-IB InfiniBand交换机和LinkX 100Gb/s 铜缆以及光纤。其中ConnectX-4 系列网卡已经被用于CORAL超级计算机(美国阿贡和劳伦斯利弗莫尔国家实验室与美国橡树岭国家实验室合作打造),用于新能源领域的关键应用。
“我们非常高兴能够在中国召开这样一场别开生面的Mellanox技术峰会。” Mellanox公司创始人兼CEO Eyal Waldman先生表示,“中国是我们非常重视的市场,我们会持续的在中国推出有针对性的解决方案,并用我们最快的100Gb网络来为客户排忧解难。另一方面,我们会继续和合作伙伴们共同为客户量身打造出更多优秀的解决方案。”
Mellanox在本届大会上宣布了CloudX云计算解决方案认证合作伙伴,并向七家国内的合作伙伴颁发了认证。CloudX是一个基于Mellanox OpenCloud架构的解决方案。该解决方案使用户可以利用现成的基础设施:服务器、存储、互连设备以及软件来构建一个灵活的、性价比极高的私有云、公有云或是混合云。通过CloudX高效、精简的网络架构,来自金融、电信、政府、医疗和教育等领域的客户可以轻松搭建高效能的云计算中心,来应对当今飞速增长的数据量和苛刻的资源分配需求。
“现在的云计算中心和IT管理人员都希望以最低的TCO(总体拥有成本),获得高效的云环境,并希望该云计算中心拥有更高的可扩展性。”Mellanox公司市场副总裁Kevin Deierling先生表示,“Mellanox在与合作伙伴共同应对云计算中心的挑战的过程中发现,云计算的效率主要取决于网络的高效。通过我们认证的合作伙伴,拥有丰富的行业经验,可以最大限度的发挥CloudX解决方案的优势,帮助客户建立高效的云计算中心。”
本届峰会还有99Cloud,东华软件、南京斯坦德、云和恩墨和星环科技等公司现场展示了与Mellanox合作的解决方案、案例。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。