近日,联想集团推出了全新P系列家族新品--ThinkStation P318工作站。秉承"Think"品质、创新、人本设计三大基因,全新设计带来了全新体验,同时引入了灵巧锁及智能USB屏蔽等安全设计,再次诠释了联想P系列工作站的稳定可靠与灵活易用的性能,助用户轻松应对工作挑战。

新品采用了全新18L机箱设计,支持自由选配Quadro系列专业显卡或GTX高性能显卡,由内部及外部的全面革新为深度学习、VR内容创建、游戏开发、安防监控、三维设计等行业用户带来全新应用体验,为设计工作赋能。
全新设计 内外兼修
全新的ThinkStation P318采用了全新的18L小机箱设计,拆卸提手后较上一代产品可节省42%的桌面空间,将更多的桌面空间留给办公所需。同时ThinkStation P318沿用了P系列工作站的免工具拆装设计,沿红线引导即可实现拆卸维护,大幅降低了维护难度,为IT管理人员缓压,同时降低企业运维成本。
在硬件方面,ThinkStation P318最高可选配英特尔@酷睿? i7-7700处理器,采用最新的14纳米工艺,四核八线程规格3.4GHz主频,最大睿频可以达到4.2GHz,但功耗仅为65W,更低能耗的同时带来更出色的性能体验。在图形显示方面,最高支持NVIDIA Quadro P600专业设计3D显卡, 可呈现出最高画质立体 3D 环境并可支持单卡8个显示器扩展应用。值得一提的是,用户可自由选配NVIDIA GTX1060、GTX1070、GTX1080高性能显卡,为游戏开发,深度学习及VR内容开发等诸多行业用户提供更多可能。

同时,联想ThinkStation为优化运行各种业界领先应用程序的性能和可靠性,与ISV软件厂商开展深度合作,联想投入了大量工程研发工作并进行了严格的测试。一系类对软硬件组合的认证,确保客户的应用软件在ThinkStation上充分发挥最大效能。
安全设计 彰显专业
ThinkStation P318专注商用领域,除了为用户带来内外部的全新设计外更引入了安全设计理念。主板采用了顶级英特尔@Q270芯片组,支持vPro技术,重要的安全软件就可以在后台防篡改的隔离虚拟分区上时时运行,防止黑客、病毒(蠕虫)对信息的窜改和破坏,同时不影响用户执行密集型计算应用。
另一方面,ThinkStation P318新品加入了灵巧锁设计,用户可将有线键盘和鼠标插口固定于机箱本体上,需打开机箱侧面板后才可解锁,有效保护键盘和鼠标丢失。新品同时提供智能USB屏蔽功能,用户可在BIOS设置中仅识别键盘鼠标等非存储类设备,或设置单个USB端口全部允许或屏蔽使用,为用户数据安全多一层保障。
机器学习 智慧应用
随着近年人工智能的深度发展,对硬件的计算需求愈发强烈,高性能GPU可提供高效的并行计算,为用户快速开始迭代深度学习网络,大大提升深度学习能力。ThinkStation P318可搭载Pascal架构的 GTX 1080高性能显卡,其核心频率达到了惊人的1607MHz,凭借超高的基础频率和庞大的运算规模,拥有9 TFLOPS的超高单精度浮点运算能力,完美贴合深度学习的大量矩阵、卷积运算的需求。
同时,对于深度学习工作而言,电源常常成为被忽视的问题。稳定的电源是一个深度学习工作站的根本,ThinkStation P318 可选配80Plus铂金电源,在电压稳定性、纹波、转换效率、保持时间上为用户带来顶级表现,不为深度学习运算拖后腿。
此外,ThinkStation P318出厂可选"联想远程管理平台"软件,任何软件、硬件问题可直接呼叫专家与工程师来在线交流,并可远程协助支持。并为用户配备了专业售后服务团队,可实现7x24小时技术支持并快速携带备件上门,为用户业务稳定运行提供坚实保障。
作为联想工作站家族新成员,联想ThinkStation P318以其商务设计,灵活的选配为用户提供最具性价比的解决方案。加之Think家族高品质基因,定将成为深度学习、VR内容创建、游戏开发、基础设计、安防监控等诸多行业用户的智慧之选。
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。