思科今天推出了一款针对人工智能进行优化的系统,成为最近一家在该领域有所动作的数据中心设备制造商。
思科今天公布的UCS C480 ML M5是一款四机架单元服务器,专门用于运行处理器密集型深度学习工作负载,属于思科的UCS统一计算系统家族。UCS系列服务器是将计算资源与网络和存储功能以及管理自动化软件结合到一起的系统。
C480 ML M5比该系列的很多其他系统具有更强大的性能。它采用2个最新一代英特尔Xeon Scalable CPU,以及8个Nvidia Tesla V100 GPU,同时思科选择了高配版SMX2芯片,该芯片包括32GB板载内存。
据Nvidia官方数据显示,单个V100的性能是传统CPU的47倍,可用于深度学习工作负载。该芯片在Apple Watch的模片上装载了217亿个晶体管,这些晶体管被组织成5700个处理核心,包括640个专门针对人工智能设计的Tensor核心。
在思科的新设备中,V100芯片使用Nvidia专门为此类系统开发的NVLink技术进行通信。反过来,企业可以为该系统配备最多24个直连磁盘或闪存驱动器。6个C480 ML M5驱动器插槽支持基于高速NVMe互连技术的闪存设备。
这些系统为思科提供了潜力,此前思科的业务不仅受到戴尔和HPE等硬件供应商的攻击,还受到AWS和微软等云服务提供商的压力,这次推出的系统让思科有潜力提供更有竞争力的数据中心产品,Gartner研究主管Chirag Dekate这样表示。他说,目前还没有其他硬件提供商提供8 GPU的服务器。
他说:“对于思科而言,它最大限度地减少了数据中心的阻塞,让思科能够继续吸引用户使用思科的平台。”同样,新系统使思科的客户“能够在不向数据中心引入新的多样性的情况下,进行深度学习。”尽管许多企业是在公有云基础设施上启动他们的人工智能项目,但他表示,大多数企业将重要的项目移至他们自己的、更具成本效益的基础设施上,例如思科的。
思科希望确保这款设备能够与企业首选的人工智能工具配合使用。为此,思科正在与Hortonworks合作,为该设备验证Hadoop分析平台最新的3.1版本。该版本为流行的深度学习框架(例如TensorFlow)提供支持。
此外思科还支持Kubeflow开源工具,可使TensorFlow与Kubernetes软件容器编排引擎兼容。软件容器使企业能够轻松地跨不同类型的环境移动工作负载,这意味着客户可以将本地AI模型迁移到云,反之亦然。
Dekate说,所有这些都特别重要,因为思科的一个优势是拥有比一些竞争对手更深入的软件提供商及其他合作伙伴生态系统。
就在推出C480 ML M5的一个月之前,Dell EMC也推出了一款针对人工智能工作负载的类似服务器,最多可配置4个V100芯片。早些时候,Pure Storage公司推出的AIRI结合了5个Nvidia DGX-1服务器,每台服务器配备8个V100。
思科将在今年晚些时候上市C480 ML M5。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。