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
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。