至顶网服务器频道 10月16日 新闻消息(文/刘新萍): 随着联想ThinkSystem系列全新产品家族的发布,家族中一系列性能优异的产品脱颖而出,ThinkSystem SN850即为其中一款。ThinkSystem SN850拥有ThinkSystem产品家族所共有的一流可靠性与客户满意度,对大中型企业和政府客户最为适用,是其对服务器基础架构的理想选择。

更大存储容量 适应内存密集型工作负载
ThinkSystem SN850是用于大型虚拟化和整合项目的四处理器刀片,搭载英特尔至强金牌和铂金处理器,采用高性能4P网状拓扑,最多四个2.5英寸HS存储设备托架,支持SAS、SATA和NVMe,每个节点最大48个DIMM插槽,能够提供庞大的带宽和内存容量,实现6TB*2666MHz高速内存。
SN850拥有更多处理器内核,更快更大的存储容量以及增强的 RAS 和安全功能,其4CPU、48个DIMM插槽设计可适应要求最为严苛的内存密集型工作负载,如内存数据库、批处理和实时分析、虚拟化、大型传统数据库、分散式计算,或将多个之前版本的服务器整合到一个刀片上。

弹性十足的基础架构 高度灵活满足需求
四处理器的ThinkSystem SN850与两处理器的ThinkSystem SN550共同置于Lenovo Flex System企业级机箱中,该机箱是第二代刀片系统,支持两个新刀片,融合了强大的英特尔至强处理器可扩展系列CPU,可支持高速网络和不同代次的英特尔至强处理器。因置于其中,SN850可完美兼容该机箱,保护客户在机箱基础架构内的所有投资。
Flex System的终极目的在于更加轻松地组合基础架构,与Lenovo XClarity管理套件一起,客户可任意组合计算、存储和网络资源,以适应不断变化的工作负载与容量需求,此种极致的灵活性能够让用户更好地控制资源。其中的几项技术和特征,已足够诠释Flex System的强大特性,彰显其可交付极致灵活的刀片架构、实现基础架构控制的能力:
通过更快的虚拟机部署和移动,能够实现更加轻松的协调;用户可以无硬盘存储,或可选择SAS/SATA HDD/SSD或NVMe/U.2进行存储,精彩演绎了其存储的高度灵活性。其中,NVMe硬盘以实现超快的读取/写入存储,使得存储实现分层,以加快应用程序速度,获得更优异的应用程序性能,提供最经济实惠的解决方案。同时,采用直连式NVMeTM高速存储连接,无需使用PCIe插槽,可通过减少PCIe开关适配器降低成本。

自2012年始,Flex System企业级机箱一直致力于简化客户基础架构。在同一机箱内并行运行四代基于Intel? Xeon?处理器的刀片,使其成为"面向未来的数据中心"的首选。该机箱最多可容纳7个ThinkSystem SN850刀片和4个集成式交换机,与2U 4处理器机架式服务器和1U交换机相比,密度要高出80%,还可降低近一半的刀片数量及线缆复杂性。
当借助Lenovo XClarity Administrator软件为面向未来的数据中心提供简化、灵活的快速部署和管理时,或将四台集成式网络交换机,提高吞吐量并减少线缆数量时,或使用分区自适应散热或节能组件时,均可为机箱设计提高效率。Flex System通过大幅降低能源和地板/机架空间的成本并简化管理,来节省时间和财力,降低基础架构的复杂性会让其变成功能强大的工具,可适应未来需要,而不会造成资源流失。
作为ThinkSystem系列产品家族中化繁为简的代表,ThinkSystem SN850兼具高度灵活性与庞大容量,能够适应最为严苛的内存密集型工作负载,为客户提供无与伦比的性能保证,充分满足了客户对基础设施架构日益提升的各种需求,是理想的服务器首选。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。