ZD至顶网网络频道 11月20日 编译: Facebook宣布正在打造架顶100Gbit/s的以太网交换机,以用于其下一代数据中心上。很多大互联网公司都在设计自己的系统,务必紧随先进的计算和半导体技术的步伐。
Facebook的Wedge 100是一个32×100G交换机,据传用的是Broadcom最新Tomahawk交换芯片,最大总吞吐量达3.2 Tbit/s。和以往一样,Facebook会开源自己的硬件设计,以供他人制造和使用。预计Wedge 100将运行一个名为FBOSS的开源Linux软件,Facebook目前在40G交换机上用的就是FBOSS。
今年8月,Facebook光学专家描述过一个利用100G单模光纤调制解调器将100G成本降到1美元/Gbyte的设计。该设计将距离要求从2公里放宽到了500米,同时也放宽了工作温度和产品寿命规格。它是基于QSFP28可插拔外形,用了4个25Gbit/s的线路。
Facebook没有提供Wedge 100部署时间的细节,也没有给出如何处理来自100G TOR交换机汇总数据的细节。
不到18个月前,网络巨头Facebook曾公布过旗下正在设计40Gbit/s的TOR以太网交换机,此为Wedge第一代。此项工作是在2013年底与交换芯片制造商会面后开始的。
Facebook将上述设计重新定向为所谓的“6-pack”的汇聚交换机。该系统是Facebook一年前宣布新数据中心架构的重要组成部分。
今年三月,Facebook展示了自己的基于Broadcom Trident II 芯片的16×40G Wedge,然后又将其设计成线路卡和一个双插槽卡,用于创建128×40GE 6-pack汇聚交换机,基于可以升级到100G接口版的10G的通道,通道可升级到25G。
当时,Facebook的工程师表示正在弄32×100GE交换机,并有计划用到100G和400G光链路。
一名Facebook工程师在电子邮件表示,“我们现在在生产线上使用成千上万的Wedge 40 TOR交换机,我们预计将继续在相当长一段时间内使用它。”
他表示,“我们仍处于使用Wedge100初期阶段,等一切就绪后就可以用到我们的下一代数据中心上。我们的最终目标是在我们所有的数据中心的架顶上使用Wedge。”
与来自Arista 和 Dell的同款100G芯片比,Facebook设计针对自己的数据中心系统做的优化想必更严谨些,价格想必更便宜些。和其他网络巨头一样,Facebook设计自己的庞大计算机网络系统,其规模之大可以想象。
大型数据中心的容量已 接近计算机网络技术的极限。各种基于50G结构的400G交换机仍在实验室里,800G以太网标准也是最近才定稿。
The Linley Group高级分析师Bob Wheeler表示,“那种用16x25Gbit/s技术的400G以太网提供的价值不大,而50Gbit/s技术是关键”,对下一代系统来说是这样。他表示,“有些供应商目前正在制56Gbit/s PAM4PHY样品。光模块可望在2017年投产。”
Facebook在一篇博客文章公布了Wedge 100的进展。博文还提供了目前40G交换机的可用性程度的一些细节以及其在使用时遇到的挑战。
博文指,“常常见到的交换机失效模式是,CPU出现过载后滞后于控制平面的职责,比如发送路由协议报文或对ASIC编程这一类的职责,这时通信就会出现中断。”
博文称,“在我们的早期测试过程中,我们遇到一些情况,凸显出保护CPU和控制平面是非常重要的。我们现在的配置对从交换机ASIC发往CPU的流量设了硬性限制。此外,我们将控制平面流量的优先级别设得比交换机高,以尽量保证组件的控制平面处于运行状态。“
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。