AWS和AMD宣布推出Amazon Elastic Compute Cloud(Amazon EC2)M8a实例,这是通用型M实例系列的最新成员。这些实例搭载第五代AMD EPYC(代号Turin)处理器,最大频率可达4.5GHz。与M7a实例相比,客户可以获得高达30%的性能提升和高达19%的价性比改善。它们还提供更高的内存带宽、改进的网络和存储吞吐量,以及针对广泛通用工作负载的灵活配置选项。
与M7a实例相比,M8a实例每个vCPU的性能提升高达30%,非常适合需要高性能和高吞吐量的应用程序,如金融应用、游戏、渲染、应用服务器、仿真建模、中型数据存储、应用开发环境和缓存集群。
与M7a实例相比,它们提供45%更多的内存带宽,加速内存数据库、分布式缓存和实时分析。
对于具有高I/O要求的工作负载,M8a实例提供高达75 Gbps的网络带宽和60 Gbps的Amazon Elastic Block Store(Amazon EBS)带宽,比上一代改进50%。这些增强功能支持依赖快速数据传输和低延迟网络通信的现代应用程序。
M8a实例上的每个vCPU对应一个物理CPU核心,这意味着没有同时多线程(SMT)。在应用基准测试中,与M7a实例相比,M8a实例在GroovyJVM上的性能提升高达60%,在Cassandra上的性能提升高达39%。
M8a实例支持实例带宽配置(IBC),提供在网络和EBS带宽之间分配资源的灵活性。这为客户提供了将网络或EBS带宽扩展高达25%的灵活性,并改善数据库性能、查询处理和日志记录速度。
M8a提供十种虚拟化规格和两种裸机选项(metal-24xl和metal-48xl),提供从小型应用程序到大型企业工作负载的部署选择。所有这些改进都基于AWS Nitro系统构建,该系统在所有实例规格中提供低虚拟化开销、一致的性能和先进的安全性。这些实例使用最新的第六代AWS Nitro卡构建,可减轻和加速功能的I/O,提高整体系统性能。
M8a实例的规格最高可达192个vCPU和768GiB RAM。
M8a实例适用场景
M8a非常适合需要计算、内存和网络平衡的通用应用程序。M8a实例是Web和应用托管、微服务架构以及需要可预测性能和高效扩展的数据库的理想选择。
这些实例已通过SAP认证,也非常适合企业工作负载,如金融应用和企业资源计划(ERP)系统。它们对内存缓存和客户关系管理(CRM)同样有效,此外还适用于需要成本效率和灵活性的开发和测试环境。凭借这种多功能性,M8a支持广泛的工作负载,同时帮助客户提高价性比。
现已上线
Amazon EC2 M8a实例今天在美国东部(俄亥俄州)、美国西部(俄勒冈州)和欧洲(西班牙)AWS区域上线。M8a实例可以作为按需实例、Savings Plans和竞价实例购买。M8a实例也可在专用主机上使用。要了解更多信息,请访问Amazon EC2定价页面。
要了解更多信息,请访问Amazon EC2 M8a实例页面,并向AWS re:Post for EC2发送反馈或通过您通常的AWS支持联系方式。
Q&A
Q1:EC2 M8a实例相比M7a有什么性能提升?
A:M8a实例每个vCPU的性能提升高达30%,价性比改善高达19%。在应用基准测试中,GroovyJVM性能提升高达60%,Cassandra性能提升高达39%。此外还提供45%更多的内存带宽和50%的网络存储带宽改进。
Q2:M8a实例适合什么类型的工作负载?
A:M8a实例适合需要计算、内存和网络平衡的通用应用程序,包括Web和应用托管、微服务架构、数据库、金融应用、ERP系统、内存缓存、CRM以及开发测试环境等多种场景。
Q3:M8a实例目前在哪些地区可用?
A:Amazon EC2 M8a实例目前在美国东部(俄亥俄州)、美国西部(俄勒冈州)和欧洲(西班牙)AWS区域上线,可以作为按需实例、Savings Plans、竞价实例和专用主机购买。
好文章,需要你的鼓励
微软在年度Build开发者大会上一次性发布7款AI新模型,涵盖推理、编程、图像生成、语音及转录等多个领域。其中首款推理模型MAI-Thinking-1拥有350亿参数,基于商业授权数据训练,在盲测中击败Anthropic Sonnet 4.61;编程模型MAI-Code-1已上线Copilot与VS Code。微软还宣布与梅奥诊所合作,共同开发医疗领域前沿AI模型。
香港中文大学联合华为提出UI-KOBE框架,通过预先构建手机应用知识图谱,让4B轻量级模型在手机GUI任务上超越多个更大规模模型,兼顾效率与隐私保护。
微软在Build 2026大会上宣布,其多模型智能安全扫描系统MDASH已从私有预览升级为扩展预览,并整合进企业级安全控制平台,连接Defender、GitHub Code Security、Agent 365及Purview。MDASH通过100余个专用AI代理协同运作,聚焦可利用漏洞的优先排序,有效降低安全告警噪声。该系统在CyberGym基准测试中得分已达96.55%,标志着AI漏洞发现正式进入企业级生产部署阶段。
这项研究提出LaRA框架,通过分析大型语言模型内部各层的几何结构变化,检测强化学习训练中的数据污染问题,比传统输出层检测方法更可靠。