戴尔公司产品营销高级副总裁Varun Chhabra表示,这些公告代表着“我们大规模扩展了和AMD的合作伙伴关系”。
PowerEdge XE7745专为企业级工作负载而设计,在4U风冷机箱中支持多达8个双宽或16个单宽基于外围组件互连Express的GPU和AMD EPYC处理器。内部GPU插槽与8个额外的PCIe 5.0插槽匹配,用于网络连接。
PCIe 5.0的数据传输速率比前代产品高得多,带宽是PCIe 4.0的2倍,每通道传输速度高达32千兆(即每秒信号转换次数)。XE7745将于1月开始在全球上市。
开放式机箱
新款PowerEdge R6725和R7725服务器针对可扩展性进行了优化,采用数据中心模块化硬件系统机箱设计,可实现增强的空气冷却和双500瓦CPU。戴尔表示,R7725的性能提高了66%,堆栈顶部效率提高了33%。DCMHS是一种标准化、模块化的方法,在开放计算项目(Open Compute Project)下设计和构建数据中心基础设施。
戴尔服务器和网络产品高级副总裁Arunkumar Narayanan表示:“我们采用DCM的设计打造了全新的机箱,从而增强了我们的空气冷却能力,每个CPU可容纳192个核心,每个CPU可容纳500兆瓦的CPU,从而实现无与伦比的功率和效率。我们将凭借2U容量、500瓦功率的空气冷却能力处于行业领先地位。”
根据戴尔的分析,这三个平台最多支持新增50%的核心,每个核心的性能最多可提高37%。这些平台将多达7台5年前的服务器整合为一台,将CPU功耗降低65%,可以使用戴尔的Integrated Dell Remote Access Controller进行远程监控、管理和更新,而且是独立于操作系统运行的,即使在服务器关闭时也可以进行远程管理。
基于第五代EPYC处理器的PowerEdge R6715服务器和R7715服务器比上一代更快,内存容量翻了一番,支持紧凑型1U和2U机箱配置24个双列直插式内存模块,计划于11月上市。
支持Hugging Face的AI Factory
戴尔还在增强了在3月份推出的AI Factory,这是一款用于训练、调整和运行AI模型的“端到端的AI企业解决方案”,结合采用了Nvidia GPU与戴尔的计算、存储、客户端设备、软件产品以及专业服务。
戴尔表示,使用带有AMD Instinct MI300X加速器的PowerEdge XE9680服务器的全新生成式AI功能可以简化AI部署、增强安全性、实现可扩展和模块化架构,并将价值实现时间缩短高达86%。这项配置可作为Hugging Face AI平台上的Dell Enterprise Hub使用,为部署Llama和Mixtral等模型提供自定义容器和脚本。
Narayanan表示,XC9680曾是“戴尔历史上最成功的产品发布”。“这款产品为我们带来了超过100亿美金的收入。现在,我们将推出下一代产品。”
这个容器化的模型经过优化,可以提高基于模型和服务器的推理性能,并利用了Hugging Face Text Generation Inference,一种旨在高效服务和扩展大型语言模型的推理框架。戴尔扩展了生成式AI专业服务以支持AMD环境。
Chhabra表示:“我们与AMD和Hugging Face展开密切合作,让客户能够轻松地在利用AMD MI300加速器的PowerEdge XC9680基础设施上部署Llama和Mixtral等高级模型。此次合作将提供定制的容器、脚本和专有技术资源,让客户可以放心地在Hugging Face平台上部署最流行的开源AI模型,并且知道它已经过戴尔、AMD和Hugging Face的测试。”
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。