ZD至顶网网络频道 07月29日 综合消息:Mellanox今天宣布,面向 RoCE(融合以太网上的RDMA)的全新软件驱动程序已上市。这一新的驱动程序旨在使用 RoCE 简化以太网上的 RDMA部署并保证高性能传输,同时无需特意对网络做 “不丢包”的相关配置。这就使得云、存储和企业客户可更加快速而轻松地部署 RoCE,同时可提升应用程序性能、提高基础设施的效率并降低成本。
“RoCE 内置错误恢复机制,使得无丢包网络不再是一项严苛的要求,即客户无需配置他们的网络以防止数据包丢失,并确保最佳性能,”Mellanox 公司首席技术总监 Michael Kagan表示。“现在,更新的适配器软件使得 RoCE 可弹性应对数据包丢失,同时保持以太网的高吞吐量。这些全新的软件支持我们最新的10、25、40、50和100 Gb/s以太网适配器,并且与RoCE 规范完全兼容。”
“Microsoft 部署了一套高级数据中心基础设施,为客户提供企业级的智能云平台,”Microsoft 公司网络开发部门的杰出工程师 Albert Greenberg 说道,“看到RoCE 技术不断发展和演变,我们深受鼓舞。RoCE是高级互连方案的典型范例之一,其有助于 Microsoft Azure 向客户提供具备卓越灵活性、性能和可靠性的云服务。”
融合以太网上的远程直接内存访问 (RoCE) 机制在以太网上提供高效数据传输以及非常低的延迟。RoCE 可在硬件以及软件层面得到实施。Soft-RoCE 是 RoCE 标准的开源软件版本,兼容对 RDMA 缺少硬件支持的普通以太网卡。
“所有以太网 RDMA 协议均在不丢包的情况下具有最佳的表现,但并不是所有的IT 经理都已准备好将他们的网络配置为‘不丢包’,”IDC 数据中心网络研究室主任Brad Casemore表示,“在客户实现大数据和实时分析、数据库应用、基于闪存的SDN存储以及在采用25、50和100 Gb/s以太网的过程中,他们将了解诸如 RoCE 这样的技术如何满足其对应用程序性能和更高效基础设施利用率的需求。”
Mellanox已成为端到端 25、50和 100Gb/s以太网解决方案的市场领导者,通过 ConnectX-4 和 ConnectX-4 Lx 适配器以及 Spectrum 系列以太网交换机引领市场的发展。在 25、50 和100 Gb/s 的以太网速度下,Mellanox 适配器和交换机提供最高的吞吐量、最低的延迟以及最小的功耗。Spectrum 以太网交换机可确保在任意端口配置中公平分配带宽,更高效地处理拥塞,并且避免所有大小的数据包产生丢包现象。
面向Mellanox ConnectX-4 25、50和100 Gb/s以太网适配器的升级版弹性 RoCE 软件现已上市。这些适配器已通过主流 OEM 的资格认定,可用于当今市面上的各种高级服务器平台。
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。