美光科技有限公司今天宣布,其丰富的闪存产品系列又添新成员——为寻求高性能和高可靠性,且极其注重成本的消费类应用提供了量身定制的解决方案。新型TLC NAND是基于16纳米(nm)工艺制造而成,能让U盘和消费类固态硬盘等应用的各方面功能取得理想平衡。预计市场在整个2015年都将对TLC有强劲需求,占到NAND存储总量的几乎一半。
美光科技采用的16 纳米工艺被TechInsights评为“最具创新性的存储设备”和“2014年度半导体技术”。作为一项成熟且经过实战检验的存储技术,16纳米工艺为打造可靠的TLC设计奠定了坚实的基础。TLC又被称作“三级单元”(triple-level cell),是一种在每个闪存数据单元中存储三位数据的技术,能有效降低成本并缩小芯片尺寸。
采用这项技术后,客户能从美光科技全面的设计支持团队获得诸多益处。他们将担当客户信赖的顾问,帮助客户顺利通过鉴定测试和确保最终解决方案的最佳实施效果。全球范围内主要的闪存客户和生态系统合作伙伴已经开始集成这种新型NAND到其最新设计中,确保这项技术能快速被终端应用采用。
“我们新推出的TLCNAND技术满足了客户对可靠、高容量存储的日益增长的需求。”美光科技 NAND规划总监Kevin Kilbuck说道,“16nm TLC被我们视为2015年消费类应用的绝佳解决方案,我们也持续向在 2016 年产出3D NAND TLC迈进。”
新型TLC产品进一步完善和扩大了美光广泛的闪存产品组合。这一产品组合已跨越四代工艺和多项技术,能够为已知的几乎所有应用提供集中解决方案——从消费电子、移动产品到企业级存储、嵌入式和汽车市场,可以说是无所不包。新型16GB TLC NAND现已量产并开始供货。美光也已开始为多个合作伙伴提供样品,这将推动基于此技术的消费类SSD解决方案于今年秋季的上市。美光科技也预计在同期发布自主生产的基于TLC技术的客户端SSD。
客户评价
ADATA 副总裁 Kevin Chen
“我们很高兴推出了采用美光科技TLC的新消费类SSD产品系列。美光科技带来的性价比、技术支持和可靠性保证了客户能从他们的存储中获得最大价值。”
金泰克总裁 James Lee
“可靠的TLC闪存对于打造服务于发展中市场的存储产品至关重要。美光科技的16纳米TLC能让客户获得的各方面功能取得理想平衡。”
Transcend Information 产品管理总监 Chris Chen
“消费者对产品的青睐源于高密度存储和实惠的价格。美光科技16纳米TLC将成为消费类介质卡和存储的绝佳选择。”
Seagate SSD产品副总裁 Brett Pemble
“我们与美光科技一直保持紧密的合作关系,并期待继续发运集成双方最新技术的解决方案。我们的SF3500控制器将在OEM制造商和我们自有的PCIe和SATA SSD中使用美光科技16纳米TLC打造一个极具吸引力的平台——实现各方共赢。”
Silicon Motion Inc. 产品营销副总裁 Nelson Duann
“我们与美光科技深入合作已久,共同确保在我们先进的控制器技术中无缝集成由美光科技提供的闪存。我们很高兴成为首家提供支持美光科技16纳米TLC NAND技术的高性能、高成本效益 USB和SSD控制器的公司。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。