发展路线图正式曝光,但其中尚存大量不明之处。
尽管具备相关支持能力的至强CPU还没有推出,但英特尔方面已经开始将首款Optane DIMM交付至买家谷歌手中。
英特尔公司数据中心部门总经理兼执行副总裁Navin Shenoy在本周三的以数据为中心创新峰会上,正式开始将这一全新产品线成果交付至谷歌平台副总裁Bart Sano手中。
尽管此次舞台效果设计得不错,但仍然没有什么现实意义——毕竟能够支持Optane DIMM的至强SP(Skylake)处理器目前尚未正式推出。
另外,对于这款产品,还存在大量细节信息缺失:
除非谷歌方面获得对应的定制化至强处理器,否则Optane DIMM在此期间将只能被束之高阁。
尽管如此,英特尔公司仍然在努力宣传Optane DIMM的性能优势。利用Optane DIMM配合早期Cascade Lake至强处理器,SAP HANA工作负载的重启时间可以由数十分钟缩短至几十秒。好吧,这样的结果确实振奋人心。但问题是,大家显然极少对HANA进行重启。
基本上,我们无法掌握关于Optane DIMM的任何应用程序性能提升信息,因为目前还没有哪种生产级处理器能够与之相匹配。
Anandtech网站发现了一份英特尔高性能计算路线图演示资料,其中展示了处理器与DIMM的未来发展方向:
这份演示资料显示有Apache Pass DIMM——即英特尔Optane DIMM的代号——将于2019年发布,此外Cascade Lake至强处理器也将同步推出。
Cascade Lake是一款14纳米处理器CPU,采用至强Skylake的Purley微架构,其采用专注于人工智能的深度学习增强(简称DLBOOST)技术,能够提供11倍于至强Skylake的人工智能类负载性能提升。
该资料中还包括Cooper Lake CPU,其同样采用14纳米制程技术,将于2019年年底开始发货直至2020年。进入2020年,Ice Lake也将正式推出,其代表着英特尔长期承诺却一直未能实现的10纳米制程工艺。Barlow Pass DIMM也将在2020年与这款具有 里程碑意义的至强处理器共同亮相。
在资料下方,我们看到标有面向高性能计算的PCSD服务器产品部分,其中包含2019/2020年的Walker Pass DIMM,以及另一款将于2020/2021年推出的未命名DIMM。Walker Pass的推出时间与另一款Cascade Lake进阶处理器相同。
Anandtech网站猜测,Barlow Pass正是下一代3D XPoint DIMM。但我们还无从得知其在性能与规格方面同现有Apache Pass XPoint DIMM有何区别。
而The Next Platform网站则表示,Walker Pass将是“第二代Optane DIMM,且预计上市时间定于2019年5月左右。”
从演示资料中的时间顺序来看,Barlow Pass可能实际上代表着第三代Optane DIMM。
我们认为英特尔公司不会允许AMD处理器轻松支持Optane DIMM。然而,目前美光已经在XPoint的开发工作上与英特尔分道扬镳。如果美光进行相关技术方案的批量生产(这简直是一定的),则预示着AMD方面很可能将通过美光Quantx DIMM支持XPoint DIMM。
很明显,Optane DIMM的正式使用必须等待英特尔Cascade Lake至强处理器的正式出炉。即使英特尔能够在今年年底之前发布第一款Cascade Lakes产品,其它受支持的衍生方案也需要再等一等,这意味着各服务器OEM厂商直到2019年才会全面发布自家相关产品。
考虑到产品细节信息的缺失——特别是在读取/写入延迟、功耗与使用寿命等方面,我们基本确信以下几项结论:1)其当前指标并不出色;2)英特尔仍在调整其Optane DIMM以进一步降低延迟与功耗并提升使用寿命。
与现有Apache Pass产品相比,Barlow Pass、Walker Pass以及另一款尚未命名的DIMM很可能拥有更高的层数与存储容量。
与以往一样,英特尔公司的Optane产品开发进度仍然令人沮丧,而其技术发展路线图资料也证明这一切恐怕要到2020年之后才会开花结果。
好文章,需要你的鼓励
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。
这篇研究论文揭示了多模态大语言模型(MLLMs)存在严重的模态偏差问题,即模型过度依赖文本信息而忽视图像等其他模态。研究团队通过理论分析和实验证明,这种偏差主要源于三个因素:数据集不平衡、模态骨干能力不对称以及训练目标设计不当。他们提出了系统的研究路线图和解决方案,包括增强视觉模态在数据集中的贡献、改变模型关注点和应用偏好优化策略。未来研究方向则包括开发更客观的评估指标、探索更多模态组合中的偏差问题以及应用可解释AI技术深入分析偏差机制。
ComfyMind是香港科技大学研究团队开发的一个协作式AI系统,旨在解决当前开源通用生成系统面临的稳定性和规划挑战。该系统基于ComfyUI平台,引入了两项关键创新:语义工作流接口(SWI)和带本地反馈执行的搜索树规划机制。SWI将低级节点图抽象为语义函数,而搜索树规划将生成过程视为分层决策任务。实验表明,ComfyMind在ComfyBench、GenEval和Reason-Edit三个基准测试中均大幅超越开源基线,并达到与GPT-Image-1相当的性能,为开源通用生成AI开辟了新路径。
这项研究介绍了一种名为"热带注意力"的新型注意力机制,专为解决神经网络在组合算法推理中的困境而设计。传统注意力机制使用softmax函数产生平滑的概率分布,无法精确捕捉组合算法所需的锐利决策边界。