Pure Storage 丰富的产品组合涵盖高性能、大容量、高性价比的产品,且始终保持现代化
2023年8月8日,中国——专为多云环境提供先进数据存储技术及服务的全球IT先锋Pure Storage® (NYSE: PSTG) 今日宣布其已实现一项愿景目标,即率先成为业界首家以全闪存解决方案满足客户全部存储需求的技术提供商。目前只有 Pure Storage 可以真正做到这一点,这主要归功于其在原生闪存管理、Purity架构、Evergreen®支持架构和云运营模式方面的独到之处。
Pure Storage董事长兼首席执行官 Charlie Giancarlo 表示:“我们倾力打造的业内最优秀的产品线,兼具出众的稳定性、先进性和可靠性,全面满足所有的企业级存储需求。迈入人工智能新时代,与硬盘和固态硬盘相比,Pure全闪存产品线在性价比、运行性能和环保方面展现出卓越优势,这对我们的客户来说比以往任何时候都更加重要。”
Pure Storage 中国区销售总监朱星勃表示:“这些最新的发布将对我们的中国客户和合作伙伴产生深刻影响。目前,构建全闪存数据中心从经济角度来说已非常可行,且考虑到对环境的影响和总体拥有成本,这也是顺理成章的选择。IDC最新发布的《2023年第一季度全球企业存储系统季度跟踪报告》显示,Pure在中国市场的增长率高达57.6%,远超3.4%的市场整体增长率,这充分证明我们有能力满足客户对创新和可持续技术解决方案的需求,并将继续保持良好的发展势头。”
对于Pure Storage全球11,500多家覆盖全行业和各种工作负载类型的客户而言,Pure已证明其能够:
之所以能够实现上述成果以满足各种存储需求,是因为Pure Storage具有诸多与众不同且可持续的差异化优势:
全新解决方案:
FlashArray//E:
FlashArray//E为存储各类文件和块数据提供了闪存的简易性和高效率,让客户终于可以淘汰其数据中心中的最后一批磁盘。产品优势体现在:
新一代FlashArray//X和FlashArray//C:
与前几代产品相比,最新一代FlashArray//X和FlashArray//C R4取得了重大突破。客户将可以享受如下优势:
人工智能的首选存储合作伙伴
生成式人工智能掀起了新一轮人工智能的浪潮,今日发布的创新将进一步巩固Pure Storage作为人工智能项目首选存储合作伙伴的领导地位。Pure Storage为前沿人工智能项目提供支持,例如自动驾驶汽车研发公司,以及全球最大的人工智能超级计算机Meta AI的研究超级集群 (AI RSC) 等。在Pure的支持下,客户可从任何规模开启其人工智能之旅,并随需求变化而扩展。
Pure Storage早在多年前就预见了对人工智能的需求,并推出了FlashBlade® 以及与NVIDIA联合开发的AIRI® (AI就绪的基础设施)解决方案。AIRI//S™是Pure Storage和NVIDIA联合开发的一款面向人工智能的NVIDIA DGX BasePOD参考架构,包括最新的FlashBlade//S™存储。Pure Storage的FlashBlade硬件产品组合支持GPU Direct Storage (GDS),近期也将推出可提供完整GDS支持的软件增强功能,从而进一步深化Pure Storage和NVIDIA的合作,并优化DGX BasePOD认证解决方案。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
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。