日前,SPEC官网公布了最新的jbb2015测试成绩榜单,浪潮双路服务器NF5280M5以每秒完成181507次Java事务处理刷新该项测试中的最高成绩。
SPEC jbb 企业级Java应用最佳测试基准
SPEC jbb(Java Business Benchmark)2015基准测试是国际性能标准化评估组织发布的最新一代衡量服务器Java应用性能的测试基准。主要用于测量包括JRE性能、操作系统性能以及底层硬件的Java系统性能,目前已经发展成为Java虚拟机供应商、硬件开发者、Java应用开发者,以及学术研究机构评估Java业务应用性能以及可扩展性的权威基准测试标准。
这项测试模拟了一家全球大型企业的IT基础设施,承担的业务包含:线下POS消费、线上销售、公司数据挖掘操作等,该模型在实际应用中具有广泛的代表性,因而jbb2015测试对于主流的企业级Java应用都有重要的现实参考意义。
测试主要目的是检测服务器Java业务吞吐量和响应时间,通过模拟不断增加的业务量来测试系统能够处理的最大值,同时反映随着业务量增加,系统响应时间的变化。
浪潮NF5280M5 性能强劲
此次刷新测试记录的NF5280M5是浪潮秉承极致、弹性、智能、开放四大设计理念而推出的M5新一代服务器中的双路旗舰产品,搭载英特尔?至强?可扩展处理器,24个内存插槽,最大可支持9个PCIe扩展插槽,8个GPU,可以通过组件升级实现弹性配置,满足“通用计算,大容量存储,全闪存,IO密集,异构加速”五大应用场景,灵活应对不同应用场景的需求。
测试结果显示,NF5280M5的系统最大处理性能指标max-jOPS为181507,即在Java业务处理不失败情况下系统最大可完成每秒181507次Java事务处理。除了强劲的性能,NF5280M5在事务响应的及时性方面,也处于领先水平,根据测试结果,在最大响应时间不高于100ms的前提下,NF5280M5每秒可完成66092次Java处理。
除SPEC jbb外,浪潮NF5280M5在其他SPEC基准测试中同样成绩优异,在SPEC CPU,SPEC Power等测试中累计打破26次世界记录。
全球化的浪潮
SPEC(Standard Performance Evaluation Corporation,标准性能评测组织)是一个非营利性的全球权威第三方组织,致力于建立、维护以及完善一系列最新的服务器应用性能评估标准,拥有10大类测试标准、53项测试规范。浪潮不仅是资深的SPEC组织成员,更是SPEC OSSC执行委员,承担着监督审核OSG各技术委员会日常工作、重大事项、成员增删、研究及决策测试标准的发展方向等职责。同时,浪潮也担任着SPEC多个技术委员会委员职务,积极参与SPEC相关测试标准的前瞻性研究、标准制定及测试工具开发等工作,并积极参加SPEC组织的各类基准测试,发布一系列优异测试数据。
浪潮集团副总裁彭震表示,人类正在加速进入智慧时代,云计算,物联网,大数据,人工智能,工业互联网等智慧时代新机遇的发展使得计算成为一种社会资源,计算基础设施规模越来越大,用户需要加大普及应用SPEC基准测试,作为全球通用和公认的测试基准和工具,SPEC测试将有效评估各类信息化系统的计算效率,进一步提高信息化基础整体运行效率。浪潮正在参与多个SEPC测试基准的开发,这些基准将对全球应用发展趋势产生影响。
据了解,浪潮已经加入了SPEC、TPC、SPC等全球权威测试基准组织,也加入了ODCC、OCP、Open19等开放计算组织,并发挥着日益重要的作用。目前,浪潮业务覆盖了113个国家和地区,有8个全球研发中心、6个全球生产中心以及2个全球服务中心,在美国、欧洲、韩国、日本等区域市场增长十分迅速。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。