随着计算、存储以及网络等技术的不断发展，数据存储方式开始不断变化。对于需要大量数据的业务应用来说，服务器内置存储空间，或者说内置磁盘已不足以满足存储需要。因此，在内置存储之外，服务器需要采用外置存储的方式来扩展存储空间，比如集中式存储和软件定义存储。前者即指通过一个或数个固定的盘阵控制器，连接几个磁盘柜的方式，由盘阵控制器作为数据访问入口，为应用服务器提供数据访问；后者是将所有存储相关的访问和控制

8月4日，全球权威AI性能基准评测组织 MLCommons® 发布 MLPerf® Storage v2.0 基准测试结果。焱融存储再次刷新全球纪录 —— 焱融全闪存储一体机 F9000X 在全部模型测试中性能领先，尤其是在 3D-Unet 模型测试中，三节点存储集群实现了高达 513 GB/s 的总带宽。这一成绩再次证明了焱融存储的高带宽、低延迟表现，以及其应对高强度 AI/ML 工作负载的卓越

近日，国内首创的大模型推理加速技术——焱融 YRCache，发布了最新的实测数据。基于异步卸载与异步加载两大核心创新，不仅释放 GPU 显存、降低推理成本、提升资源利用率，还大幅提升推理效率，轻松支持 32K、128K 及更长上下文的流畅处理，并实现跨节点缓存共享，为用户带来高性能、低成本的大模型推理体验和显著业务价值。

当前，业内擅长非结构化数据的存储方式主要是文件存储和对象存储。文件存储和对象存储各有千秋，文件存储不仅能兼顾多个应用和多个用户访问，更突出的优势是方便文件共享；对象存储凭借灵活性和扁平架构得到了广泛的好评，容量达到 EB 级以上，实现理论上的对象存储容量和对象数量无限扩充。然而，由于对象存储的访问接口协议单一，数据访问性能较差的问题，使其可适用的范围受到了一定程度的限制。以下内容是焱融科技架构师彭

前言在上一篇《如何实现支持百亿级文件的分布式文件存储》中，我们简单“鸟瞰”了实现支持海量文件的分布式文件存储的关键思路，本文我们开始讨论各个模块的设计思路和部分细节。先从元数据服务开始，元数据服务一般被简称为MDS，表示MetaData Service，或MetaData Server。MDS数据在磁盘中如何管理当我们说要做支持百亿文件的MDS时，我们要做什么？我们先从业务需求说起。绝大多数业务，

随着 GPU 的快速迭代和大规模数据集的不断增长，为了确保整体 AI 训练系统的效率，存储网络也需要不断进化，对 RDMA 的需求变得愈发迫切。凭借低延迟和高吞吐量的优势，RDMA 现已成为 AI 存储系统中的重要技术选项。然而，与传统 TCP socket 通过简单调用 API 即可完成网络通信的方式不同，RDMA 要求用户处理更多通信细节，这无疑增加了其使用的复杂性。在本篇文章中，我们将分享焱

焱融YRCache推理方案为一家互联网医疗企业的 AI Agent 构建了 PB 级高速持久化存储，实现推理效率与成本的双重优化：整体推理效率提升 65%，同等算力资源的并发支撑能力提升 2 倍以上。用户体验的改善带动付费用户数量增长 38%，为该企业业务增长提供有力支撑。

破题大模型算力荒，如何打造高性能存储底盘？

当前，数字经济正处于高速发展阶段，人工智能作为数字经济的技术引擎之一，在赋能数字经济的同时，也推动了整个计算产业往“智慧计算”方向演进，使得巨量模型和海量数据对算力和存储的需求呈指数级增长。为了助力企业用户在人工智能领域快速地发展与创新，焱融科技与趋动科技近期宣布，将联手推出一站式存储算力联合解决方案，帮助企业通过 Kubernetes 统一管理调度 CPU 和 GPU 资源。焱融科技是一家专注于

8月4日，全球权威AI性能基准评测组织 MLCommons® 发布 MLPerf® Storage v2.0 基准测试结果。焱融存储再次刷新全球纪录 —— 焱融全闪存储一体机 F9000X 在全部模型测试中性能领先，尤其是在 3D-Unet 模型测试中，三节点存储集群实现了高达 513 GB/s 的总带宽。这一成绩再次证明了焱融存储的高带宽、低延迟表现，以及其应对高强度 AI/ML 工作负载的卓越