
CNET科技资讯网 9月28日 北京消息(文/周雅):希捷昨天携最新、最先进的企业级固态硬盘产品出现在ODCC 2016开放数据中心峰会现场,希捷科技闪存产品市场营销与生态系统解决方案总监Tony Afshary在主题演讲表达希捷闪存策略的时候,用了三个词“FLD"表达——fastest SSD、largest SSD、densest SSD in the world,也就是用“速度最快、容量最大、密度最高”加速产业升级。可见,SSD是希捷希望发展的一块领域。
希捷科技闪存产品市场营销与生态系统解决方案总监Tony Afshary和“FLD"
根据国际市场研究公司Technavio的研究分析,2016-2020年期间,中国的数据中心市场预计将面临迅速增长,复合年增长率(CAGR)有望达到近13%。Tony Afshary表示:“凭借最新的高性能计算和互联网技术,企业每天产生的海量数据刺激了对高效存储设备和数据管理产品的需求,为企业级存储方案提供了巨大机遇,也令企业级固态硬盘产品的重要性愈发凸显。”
在峰会上的T3希捷展台,我们能看到包括近期发布的8TB Nytro XP7200 NVMe固态硬盘(速度高达10 GB/s的全球最快速固态硬盘)、60TB SAS 固态硬盘(全球容量最大的固态硬盘)和2TB Nytro XM1440 M.2 NVMe固态硬盘(全球存储密度最大的M.2企业级固态硬盘)在内的企业级传统硬盘产品。此外,希捷还展示了NVMe Over Fabrics存储系统技术,可实现百万级的读写操作(IOPS),为主应用程序提供极低的存储延迟。该技术示范将应用于希捷NVMe固态硬盘、存储系统及软件方面。
8TB Nytro XP7200 NVMe固态硬盘
其中,2TB Nytro XM1440 M.2 NVMe固态硬盘专为加快企业数据读取速度而设计,为读取密集型应用和混合应用进行了优化,存储密度是在此前的M.2 NVMe环境下的两倍,每瓦特功耗下可提供高达每秒3万次的读写操作,以最小功耗实现了高水平的计算性能,提升存储密度同时降低数据中心的存储空间占用量及能源消耗。
60TB SAS固态硬盘的存储密度是目前新一代固态硬盘的2倍,容量则是目前最大容量的4倍,采用单一主控设计,提供目前闪存产品最低的每GB成本;8TB Nytro XP7200 NVMe 固态硬盘配备了一个用于进行高速数据传输的PCIe接口、四个处理能力为同类硬盘4倍的独立控制器,可以满足目前数据中心在应对数据增长时仍能快速访问和处理数据的超大规模需求。
60TB SAS固态硬盘
希捷10TB氦气近线硬盘现场获得ODCC 2016年度企业级最佳机械硬盘奖,8TB近线硬盘也获得ODCC 2016年度企业级机械硬盘综合性能奖。
值得一提的是,ODCC 2016开放数据中心峰会以“开放创新,协作共赢”为主题,由开放数据中心委员会(ODCC)主办,旨在促进打造活跃、高效、具有国际竞争力的数据中心生态圈和开放平台。
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。