戴尔公司日前推出使用AMD EPYC处理器的单插槽和双插槽机架式服务器及Xeon SP服务器系列产品。
业界存在EPYC处理器比同等Xeons(至强)更快的说法。
戴尔公司由PowerEdge AMD驱动的服务器有三款:R6415、R7415和R7425。这些产品与Round Rock公司服务器产品系列中的PowerEdge 14G R640和R740 Xeon SP服务器并存并继承了PowerEdge一般管理和功能的好处。
至强R640是个1U、双插座系统,而R740是2U、双插座系统。
R6415(技术规格PDF链接 http://topics-cdn.dell.com/pdf/poweredge-r6415_reference-guide_en-us.pdf)的定位是边缘计算服务器,是个1U系统,支持一个AMD Naples 插座SP3兼容处理器,最多可支持32个内核。R6415拥有8 x 2.5英寸SAS或SATA驱动器或4 x 3.5英寸驱动器或10 x 2.5英寸NVMe(SSD)驱动器。后几个驱动器不可以热插拔,R7415和R7425服务器也是如此。
据给出的参考指南,R6415配有单处理器及高达1TB的DRAM。笔者看到的幻灯片说是2TB:
我们曾问过戴尔哪个数是正确的。
R7415(技术规格PDF链接 http://topics-cdn.dell.com/pdf/poweredge-r7415_reference-guide2_en-us.pdf))是一款中档单插槽服务器,是个2U系统,支持一个AMD Naples 插座 SP3兼容处理器。R7415盒可容纳8 x 3.5英寸、12 x 3.5英寸、12 x 3.5英寸加 2 x 3.5英寸(背面)或24 x 2.5英寸SAS、SATA或NVMe驱动器(最多12个SAS/SATA/NVMe + 12 NVMe驱动器。)
内存最多达1TB(按技术规格)或2TB(幻灯片),我们曾要求戴尔澄清。
R7425主打高性能计算工作负载,是个2U系统,2插座的R7425(参考PDF指南链接http://topics-cdn.dell.com/pdf/poweredge-r7425_owners-manual_en-US.pdf)可配一对EPYC CPU,最多可配32个SAS、SATA或近线SAS硬盘驱动器或SSD以及最多24个NVMe闪存驱动器。R7425是三款里最大的盒子,最大内存为4TB。
性能
戴尔公司援引AMD公司的数据对EPYC和至强Skylake系统的等价成本做了比较:
这些数字显示了EPYC处理器系统比Skylake处理器系统具有更好的性价比。
HPE也在走EPYC路线
戴尔的竞争对手HPE去年11月推出使用一个或两个EPYC CPU的一款Gen 10 DL385服务器。这意味着32或64个内核及最大4TB的内存。
HPE当时曾表示基于EPYC双CPU 7601的DL385系统的SPECrate2017_fp_base(吞吐量)得分为257,SPECfp_rate2006得分为180,均高于SPEC发布的任何其他双插槽系统的得分。
与之相比,采用双至强Gold 6152 22核CPU的至强 DL380的SPECrate2017_fp_base得分为197。
戴尔EPYCs的得分想必与同等Xeon相若。
价格:R6415起步价2179.00美元,R7415为2349.00美元,R7425为3819.00美元。三款系统面向全球供货。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。