近日,国际关联数据基准委员会(Linked Data Benchmark Council,以下简称LDBC)公布了SNB Interactive评测基准声明式查询赛道最新结果,阿里云GraphScope Flex突破图计算引擎性能天花板,以超过80,000 QPS(每秒查询数)的吞吐性能打破纪录,是第二名的近2倍。

阿里云GraphScope Flex打破SNB Interactive评测基准声明式查询赛道纪录
图计算引擎在处理海量关系数据上具备天然优势,能够提高实时推荐的效率和准确性。以金融风控场景为例,大量人员和事件构成一张庞大的图关系网,通过图上关联分析,可以快速挖掘异常行为,识别异常人员和群体,及时避免风险。
LDBC是图数据与图计算领域的国际权威组织,其推出的Social Network Benchmark (SNB) 评测基准通过模拟 Facebook 社交网络图,覆盖增删改查、最短路径、多跳查询等操作,全面衡量图引擎的功能和性能,是学术界和工业界公认的权威评测标准。该评测基准支持两种实现方式,一是命令式,需依赖图专家用编程语言手动编写和调优查询用例,GraphScope Flex已是该场景的性能纪录保持者;二是声明式,使用图查询语言如 Cypher 编写查询用例,由系统自动优化。
最新测试结果显示,在SNB扩展参数为300的声明式查询场景测试中,GraphScope Flex通过自动查询优化实现了高达80510 QPS的查询吞吐率,性能较第二名提升近1倍,甚至超越了业界手动编写和调优的命令式场景的成绩,这一突破提升了图引擎的性能天花板,大幅降低了图查询的技术门槛。
GraphScope Flex性能的提升得益于阿里云在工程和技术上的协同创新,在基础设施层,通过计算、存储和调度层的全面优化,可实现低延迟内存访问和高吞吐查询等能力;在查询层,通过自研的GOpt优化框架,利用高阶统计信息提高基数估计准确性,可有效减少查询中间结果并提升执行效率,该研究成果已被数据库顶会 SIGMOD 2025收录。
据悉,GraphScope是业界首个开源的一站式大规模图计算引擎,目前已广泛应用于金融风控、网络安全及社交网络分析等领域。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。