
近日,腾讯云原生数据库TDSQL-C 迎来全面升级。新版本涵盖了基于英特尔® 傲腾™ 持久内存的二级缓存、全链路RDMA网络、7*24持续无锁备份等核心功能,在全缓存场景和大数据集场景中,性能对比传统云数据库性能提升200%,超越了业内其他的云原生数据库产品。与此同时,TDSQL-C的性价比也得到了大幅提升,其价格仅为商业数据库的1/10。
多方位优化产品架构,英特尔与腾讯联合创新
作为腾讯云自研的新一代云原生关系型数据库,本次发布的TDSQL-C新版本搭载了腾讯自研数据库内核TXSQL,TXSQL针对云原生数据库场景进行了大量优化,能够大幅提升数据库性能,更好地满足企业对于数据库性能的追求。
为进一步深入优化产品架构和技术实现,TDSQL-C与英特尔技术团队积极开展联合创新。结合最新一代英特尔® 至强® 可扩展处理器以及英特尔® 傲腾™ 持久内存(PMem) 的硬件特性重构二级缓存设计方案,新版本在IO bound场景中的读写性能提升了2倍以上。TDSQL-C还携手英特尔多方位优化存储方案设计,如加入轮询、算法优化、消除锁等机制,优化存储引擎等,并引入由英特尔提供的SPDK开发套件,优化NVMe固态盘的 IOPS和时延性能。
此外,TDSQL-C新版本还对网络架构进行了优化升级。采用英特尔® 傲腾™ 持久内存的全链路RDMA网络,依靠零拷贝、内核旁路、无CPU干预等特性,存储层、计算层和存储层多副本间关键路径的系统性能得到进一步优化,降低请求延迟最高达80%,使 I/O性能不再成为瓶颈。
多场景测试表现卓越,性能优势明显
在探究新版本实际性能的过程中,测试人员通过基准测试工具sysbench以及全仿真业务生产环境,分别针对只写、只读以及混合读写场景进行了性能测试。
报告显示TDSQL-C性能全面领跑市场同类产品,可全面满足企业对于数据库性能的要求。报告中的测试数据仅是单节点的结果,TDSQL-C MySQL 支持秒级扩展, 可帮助企业实现读性能提升至1500%以上。
另外,在电商业务及游戏业务的热点数据访问场景中,通常需要将全部数据放到缓存里,且查询过程中不需要读写磁盘更新缓存。测试报告显示,在全缓存场景下,实例规格越大TDSQL-C MySQL 的性能优势越明显,在32核规格之后,TDSQL-C MySQL 版能够在增加CPU的情况下进一步提高QPS。在资源利用率层面,TDSQL-C MySQL 版可以将计算节点的CPU利用率达到90%以上,在请求时延rtt上也几乎不会出现抖动。

相较于全缓存场景,大数据集场景在真实业务使用的出现频率更高。大数据集的只读场景中,在混合读写的通用场景下 TDSQL-C MySQL 版的性能均超出市场同类产品,而且随着规格增大,性能优势愈发明显。
云原生数据库TDSQL-C MySQL版采用“存储和计算分离”的设计理念,支持最大超400TB的单库海量数据存储。随着这个特性的应用,越来越多的企业不再使用分库分表的方式应对历史归档数据的存储,从而出现了“超级大表”的现象。在单表40亿条记录且数据存储空间达到1TB的场景下,TDSQL-C MySQL版依然表现卓越。
在混合读写的场景中,随着数据库规格的增大,TDSQL-C MySQL 版的性能比传统云数据库 MySQL 提升了200%,比其他云原生数据库也有明显优势。

助推技术落地,共建云原生生态融合
目前,在英特尔技术的加持下,TDSQL-C已为不同行业用户提供了稳定可靠企业级云数据库服务,具有备份、恢复、监控、快速扩容、数据传输等数据库运维全套解决方案,能够帮助企业简化 IT 运维工作,更专注于业务发展。
未来,腾讯云数据库内核团队将继续与英特尔及开源社区开展深度合作,持续贡献技术力量,为各行各业带来全新的业务价值与技术优势,不遗余力地推进产研共建与生态融合。
好文章,需要你的鼓励
随着AI技术不断发展,交通运输行业正迎来重大变革。MIT研究显示,AI将很快自动化价值650亿美元的交通工作,大幅提升运输效率。从陆地到海空,AI正在推动全方位的交通创新。斯坦福专家强调,AI将通过基础模型、合成数据和数字孪生等技术,实现从单一车辆自动化到整个交通网络优化的跨越式发展,同时解决可持续性、安全性和公平性等关键挑战。
香港科技大学团队发表重要研究,开发GIR-Bench测试基准评估统一多模态AI模型的推理与生成能力。研究发现即使最先进的AI模型在理解与生成之间也存在显著差距,无法有效将推理过程转化为准确的视觉生成,为AI行业发展提供重要警示。
波兰研究团队开发ORCA数学基准测试,对五个主流大语言模型进行评估。结果显示ChatGPT-5、Gemini 2.5 Flash、Claude Sonnet 4.5、Grok 4和DeepSeek V3.2的准确率均低于63%。测试涵盖生物化学、工程建筑、金融经济等七个领域的500道数学题目。研究发现模型主要在四舍五入和计算错误方面存在问题,表明自然语言推理进步并未直接转化为可靠的计算能力。
Meta超级智能实验室联合麻省理工学院开发了SPG三明治策略梯度方法,专门解决扩散语言模型强化学习训练中的技术难题。该方法通过上下界策略为AI模型提供精确的奖惩反馈机制,在数学和逻辑推理任务上实现了显著性能提升,为AI写作助手的智能化发展提供了新的技术路径。