文件存储厂商 Qumulo 将其横向扩展文件系统移植到 Google Cloud 平台,并在 Google Cloud Marketplace 上线提供服务。
云原生 Qumulo(CNQ)具备 EB 级扩展能力,全面支持任何基于文件或对象的应用程序。Qumulo 表示,客户可以将所有工作负载"从大规模存档到要求最严苛的 AI 和高性能计算(HPC)应用"从现有的本地站点迁移到 AWS、Azure 以及现在的 Google Cloud,无需任何重构。
Qumulo 产品高级副总裁 Brandon Whitelaw 表示:"借助 Google Cloud 的高速网络和强大的 Z3 实例,CNQ 能够实现前所未有的性能水平,单一文件系统可达到超过 1.6 TBps(12,500 Gbps)的聚合吞吐量和 2000 万 IOPS,达到理论实例性能的 99.7%。更令人印象深刻的是,它能够即时扩展和缩减到该水平,完全独立于存储容量。"
CNQ 运行在客户的 Google Cloud VPC 中,可通过 Terraform 部署,"能够在不到 10 分钟内在 Google Cloud 上创建完整的文件数据平台。"用户可以选择特定的 Google Compute Engine 实例类型来满足其性能需求。
用户只需为实际使用的容量和性能付费。Qumulo 表示其 NeuralCache 功能采用预测缓存技术,使用机器学习优化读写操作,"提升性能并大幅降低云 I/O 成本,最高可达 99%。"
Google Cloud 上的 CNQ 可以通过添加数据自动将容量扩展到 EB 级别的单一命名空间,无需正式配置任何资源。用户可以在几分钟内无中断地重新配置系统,动态扩展性能。
该公司表示 CNQ"通过创新的定价模式和完全可定制的性能提供卓越的投资回报率。"它提供可调节的吞吐量和 IOPS,并具备实时分析功能,显示客户如何使用系统、系统随时间的变化情况以及数据创建位置,而无需索引或遍历系统。
CNQ 现在可以在公有云支持方面与戴尔的 PowerScale/OneFS 横向扩展文件存储系统展开更强有力的竞争。两家供应商都专注于 AI 领域,上个月 Qumulo 宣布在其云数据平台中增加三项 AI 增强功能:Helios AI 智能体、Cloud AI Accelerator 和 AI Networking,以改善管理、AI 数据选择和交付。
Q&A
Q1:云原生 Qumulo(CNQ)有什么性能特点?
A:CNQ 在 Google Cloud 上能够实现单一文件系统超过 1.6 TBps 的聚合吞吐量和 2000 万 IOPS,达到理论实例性能的 99.7%。它还能即时扩展和缩减性能,完全独立于存储容量,并可在不到 10 分钟内通过 Terraform 部署完整的文件数据平台。
Q2:Qumulo 的 NeuralCache 功能如何帮助降低成本?
A:NeuralCache 采用预测缓存技术,使用机器学习优化读写操作,不仅能提升系统性能,还能大幅降低云 I/O 成本,最高可达 99%。这项功能通过智能缓存策略减少不必要的云存储访问,为用户节省大量运营成本。
Q3:CNQ 与戴尔 PowerScale 在云服务方面有什么竞争优势?
A:CNQ 现在支持 AWS、Azure 和 Google Cloud 三大云平台,提供 EB 级自动扩展能力和创新定价模式。同时 Qumulo 还推出了三项 AI 增强功能:Helios AI 智能体、Cloud AI Accelerator 和 AI Networking,专门针对 AI 和高性能计算应用进行了优化。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。