近日,AMD 发布了最新一代 EPYC处理器,包括AMD EPYC 7F32、EPYC 7F52以及EPYC 7F72三款全新产品,在全新架构的基础上提供更高的主频和更大的缓存。作为AMD的重要合作伙伴,紫光旗下新华三集团推出HPE Apollo 2000 Gen10 Plus、HPE ProLiant DL385 Gen10 Plus两款服务器产品支持最新的EPYC处理器,并且计划在H3C UniServer R4950 服务器中适配全新AMD EPYC处理器 ,以更强算力满足行业客户的需求。
HPE Apollo 2000 Gen10 Plus服务器
芯突破实现新效能
AMD EPYC 7F32(8核心)、EPYC 7F52(16核心)以及EPYC 7F72(24核心)三款处理器采用7nm制程工艺,具备更高的晶体管密度和更低的发热性,在同等性能情况下可以实现功耗减半,进一步提升第二代EPYC处理器面对各种工作负载的处理能力,实现了更高的计算效能。更高的基础频率和大容量L3高速缓存配合,有效提升处理器在关系型数据库、高性能计算和超融合基础架构方面的性能表现,第二代EPYC处理器的微架构也做了相应增强,翻倍的数据位宽、向量寄存器位宽、读取宽度提供更高浮点运算性能。
全方位提升带来服务器性能的飞跃
新华三集团率先在Apollo 2000 Gen10 Plus服务器中搭载全新AMD EPYC处理器,同时对产品进行深度优化升级,进一步满足高性能计算和人工智能应用的业务需求。基于共享基础架构,Apollo 2000 Gen10 Plus服务器实现单个2U机箱容纳4个独立节点,计算密度达到通用1U机架服务器的2倍;系统还提供可扩展的电源功能,依据数据中心的电源策略选择最佳匹配,最大限度地提高客户使用率;HPE Performance Cluster Manager软件实现了集群管理的智能化,有效降低运行成本。此外,在业界知名的SPECPower_ssj2008 测试中,搭配HPE ProLiant XL225n Gen10 Plus 计算节点的 Apollo 2000 Gen10 Plus服务器创造了10项能效记录,并在2项基准测试中获得第一。
面对业务不断创新和拓展的需求,Apollo 2000 Gen10 Plus服务器提供更灵活的横向扩展构建模块化设计,用户可自定义服务器系统存储和I / O以匹配当前的工作负载,选择尺寸合适的模块构建数据中心,并根据业务未来的发展需要扩展到部署数千台相关服务器的业务系统。新华三集团还提供全面的软件产品组合,让用户根据数据中心策略实现节点、机架、集群的管理。
Apollo 2000 Gen10 Plus服务器还具备极致的安全性,通过使用iLO5和可信硅根,将固件固化在芯片中来确保安全。可信硅根与AMD安全处理器联动,对固件信息深度加密,预防外部攻击造成的系统固件损坏。
深化合作 打造全新行业生态
在本次发布会中,新华三集团智慧计算产品线副总经理刘宏程表示:从2017年第一代EPYC处理器问世伊始,新华三即在第一时间推出了相关的服务器产品,随着AMD处理器的技术升级和产品迭代,新华三不断加深与AMD的合作,打造丰富的服务器产品线。同时,双方推动生态建设,实现新一代EPYC处理器与操作系统和软件的适配,加强对各种应用的优化,为用户提供体验最佳的x86服务器平台。
在2020 NAVIGATE 领航者峰会上,新华三集团以“双全、多元、广生态”为整体布局,发布“成就智慧计算”战略,实行H3C+HPE双品牌策略,实现计算、平台、产品形态的多元化,将数字生态链引入客户平台,进一步发挥智慧计算优势,充分满足所有智能化计算场景的需求,帮助客户实现数字化转型。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。