技术行业的基准测试颇为耐人寻味。某些测试似乎专为赢家向同行和媒体炫耀而设计——如同直线米直线冲刺的极速。这类测试固然精彩，却纸上谈兵，毕竟现实中没有人会沿着一条笔直、平坦、空旷的道路，从家门口到便利店恰好只需冲刺400米。

　　对AI和基础设施架构师真正有价值的基准测试，是那些模拟真实工作负载的评估：既需高速公路巡航的稳定性，也要应对城区低速场景的灵活性，甚至涵盖拖挂重载的极端工况。正因如此，我们推崇MLCommons® MLPerf存储基准测试套件，并积极参与其扩展与优化工作。MLPerf存储基准通过模拟多样化的真实AI/ML工作负载，为企业在评估AI存储架构时提供关键数据参考点。

　　3D UNet模拟了医学图像分割的实际工作负载安卓如何充值clash，是MLPerf存储基准测试中带宽密集度最高的用例，重点考核存储系统的并行I/O吞吐能力、内存及CPU效率。测试采用三种配置方案，分别部署1个、3个和5个Tier 0节点，核心结果详见下表及图示：

　　我们观察到，随着 Tier 0 节点数量的增加，系统支持的 GPU 数量和总吞吐量均呈线性增长。这充分证明了在最佳场景（主数据集可100% 驻留本地）下的架构潜力。随着集群规模扩大，峰值性能将取决于系统配置及本地驻留数据比例，但聚合性能将持续扩展——这将是性能测试团队后续重点探索的方向。

　　平均 GPU 利用率（AU）反映 GPU 处于计算状态与等待状态的时间占比。为通过 MLPerf 存储基准测试，所有 GPU 的利用率必须≥90%。该数值越高越好，核心目标是最小化 GPU 闲置时间。

　　系数变异（CV）用于衡量多次运行同一测试的结果离散度。MLPerf 存储基准要求每项测试必须重复执行，且结果需在极小范围内波动，以此确保结果的可复现性。Hammerspace 测试结果的极低 CV 值（≤0.14%）表明系统性能具备高度稳定性与可预测性。

　　为确保对比的公平性与有效性，以下分析仅涵盖采用本地共享文件配置完成 3D U-Net H100 测试的厂商。下图展示各厂商提交的最高 GPU 支持量结果：

　　如数据所示，Hammerspace Tier 0 架构在此次测试中表现卓越，性能超越多数知名厂商。然而，若切换至能效视角分析，其技术价值将更具启示性——

　　当前全球数据中心普遍面临电力供给、散热能力与机柜空间的三重瓶颈。伴随高功耗 GPU 服务器在 AI 领域的规模化部署，此矛盾进一步激化。需明确：每瓦特电力若消耗于存储基础设施，即意味着 GPU 算力的等量削减。简言之，能效即核心竞争力。

　　尽管 MLPerf 存储测试未强制要求提交实际功耗数据，我们可引入 “机柜单元（U）” 作为间接能效指标——其核心假设为：解决方案占用的机柜空间（U）与功耗呈正相关。

　　以每机柜单元(U)存储基础设施支持的GPU数量为衡量标准，Hammerspace Tier 0 展现出绝对领先优势——其数值达次优方案的 3.7倍，真正实现了“一骑绝尘” 。

　　“额外机柜单元”定义：存储解决方案超出计算服务器/基准客户端本体所占用的物理空间（不含GPU服务器本身）

　　Tier 0 通过聚合集群内GPU服务器的本地NVMe存储资源，仅需额外部署1台 1U元数据服务器（即Anvil） 即可构建完整存储架构。实际生产环境通常采用双Anvil高可用配置，即便如此，Hammerspace仍能保持 85%的能效优势（相较次优方案）

　　在每U存储基础设施提供的最大GB/s带宽指标中，Hammerspace Tier 0 同样展现出 3.7倍于次优方案的统治级表现，印证其技术范式的全面领先。

　　客户端运行基准测试代码。在 Tier 0 架构中，客户端同时承载 NVMe 存储设备——本次测试中每客户端配置 10 块 ScaleFlux CSD5000 硬盘。元数据服务器 Anvil 仅负责元数据操作与集群协调任务，数据流完全不流经该节点。客户端通过 并行 NFS (pNFS) v4.2 挂载共享文件系统，通过 Anvil 获取布局后直接访问存储设备。

　　当前测试范围具有限定性设计。实际生产环境中，Tier 0 仅是 Hammerspace 多层次持久化存储架构中的一环——该架构通常还包含网络直连的 Tier 1 NVMe 存储、对象存储层等，并支持跨多云站点部署。

　　当企业启动 AI 计划时，初始成本与数据治理构成双重挑战：需同时购置计算/存储资源，并对跨部门海量数据进行清洗与组织。任何能简化启动流程的技术都具有战略意义——正因如此，Hammerspace 在 MLPerf v2.0 中聚焦 Tier 0 方案的落地实现。

　　闲置资源激活：将 GPU 服务器集群中已有的 NVMe 存储纳入全局命名空间，构建高性能共享存储池

　　Hammerspace 深度参与 MLCommons® 组织的 MLPerf 存储基准测试项目，当前成果仅是起点。我们已实现进一步架构优化（后续将推出相关技术白皮书，敬请期待），持续推动存储性能边界。如您期望了解更多 Tier 0 的技术细节，请访问返回搜狐，查看更多