近日,总部位于美国加州圣克拉拉的NVMe闪存阵列企业E8 Storage宣布,它已与国内人工智能云服务提供商星云Clustar达成合作,正式进军大中华区。通过本次合作,E8 Storage的全球合作伙伴继续增加,将凭借其共用NVMe over Fabric存储平台而扩大在高性能运算领域的国际影响力,该平台适用于需要高性能和低延迟资料密集型应用程序的客户。
星云Clustar总部位于中国,依托高性能底层设备提供企业级全面托管人工智能(AI)云平台,这项合作使星云Clustar能够将E8 Storage的NVMe-oF存储产品整合到其私有云和PaaS产品组合中,以提供更优的运算资源和更高的性能。
通过该合作协定,星云Clustar能够提供整合的高性能AI解决方案,既可以作为PaaS,也可以作为内部部署的私有云群集。借助星云Clustar的高性能AI运算群集,客户可受益于更高的性能和更快的应用程序开发,从而加速资料分析。
星云Clustar为客户提供易于使用的机器学习(ML)平台,让客户能够通过高性能架构而改善大规模群集的运算能力,增强AI演算法,并消除性能瓶颈。在GPU计算支持下,将E8 Storage增添到星云Clustar AI云端平台中可提供从储存到GPU的高输送量数据路径,确保客户能够充分利用对GPU的投入。
星云Clustar创始人陈凯教授表示:“我们一直在寻求创新,并致力于提升高性能和运算能力,进而为客户的AI/ML应用提供更优支持。E8 Storage与我们的产品组合相辅相成,将其整合到我们的Paas和私有云集群部署中,让我们可以充分发挥共用NVMe-oF存储的性能优势。这种组合将会大幅提升耗电程序的运行速度,从而实现更高性能。
E8 Storage联合创始人兼行政总裁Zivan Ori表示:“星云Clustar基于AI云平台提供的创新服务广受业界认可,E8 Storage与星云Clustar合作将进一步巩固我们的国际扩张进程。同时,我们的合作也将为致力于人工智能发展的相关机构带来业界领先的性能,并提供独特的主张。”
关于E8 Storage
E8 Storage是共用NVMe储存的先驱,适用于可提高业务收入的资料密集型高性能应用程式。经济、可靠和可扩充的E8 Storage解决方案非常适合最严苛的低延迟工作负荷,包括即时分析、金融和交易应用程式、基因检测和大型档案系统。在该公司专利架构的推动下,E8 Storage的高性能NVMe over Fabrics认证储存可提供创记录的性能,所需成本仅为现有储存产品的一半。当性能特别重要时,企业数据中心会转向E8 Storage以获得前所未有的储存性能、密度和规模,同时不会影响可靠性和可用性。 E8 Storage总部设在圣塔克拉拉,在特拉维夫设有研发中心,拥有遍布美国,欧洲和亞洲的合作伙伴。
关于星云Clustar
星云Clustar是一家持续创新的人工智能技术与服务提供商,致力于将高性能计算等领域的科研成果应用到人工智能和深度学习场景。公司核心团队在高性能计算、数据中心系统架构、大数据和人工智能等技术领域拥有国际领先的自主核心技术。星云Clustar自主研发的星云平台,基于数据中心通用硬件,为用户提供高性能、分布式、可扩展的人工智能基础设施。通过部署星云平台,用户可以降低深度学习训练成本、消除大规模集群的性能和扩展瓶颈。此外,公司还为行业用户提供算法咨询服务。目前公司产品和服务的落地案例包括制造业、保险、互联网等行业的知名企业,有效支持了用户在数字化转型过程中的人工智能应用落地。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。