Everpure 正在将其 FlashBlade//EXA 平台与 NVIDIA 不断发展的 AI Factory 架构进行整合，同时预览名为 Everpure Data Stream 的全新自动化层。此次发布将 Evergreen//One 的支持扩展到 EXA，并推出了一项旨在简化 AI 流水线中数据传输的服务，以应对企业 AI 领域最常见的挑战之一：那些在试点环境中运行良好，但在达到生产规模之前却停滞不前的项目。
FlashBlade//EXA 定位为这些部署的高性能数据骨干，支持大规模训练和高并发推理工作负载。即将推出的数据流服务专注于自动化数据摄取、准备和交付到 GPU 基础设施，从而降低运维复杂性，避免 AI 程序从实验环境过渡到生产环境时因运维复杂性而导致的性能下降。
EG1 for AI 现已扩展至 FlashBlade//EXA，可提供更大规模训练和高并发推理所需的性能、扩展性和吞吐量。Everpure Data Stream 将于 2026 年晚些时候进入 Beta 测试阶段，旨在实现从数据摄取到模型执行的自动化数据移动，从而减少手动管道操作和运维延迟，这些延迟通常会拖慢 AI 项目进度。
Everpure人工智能副总裁Kaycee Lai指出，问题在于将人工智能视为“另一种工作负载”，而不是以数据为中心、持续运行的系统。她强调，Everpure的技术栈旨在打破数据孤岛，并通过可预测的性能和运营灵活性，将人工智能程序从实验阶段转化为可重复的生产成果。
基准测试验证的AI存储和数据路径
对于人工智能部署而言，存储和数据基础设施必须确保高价值的GPU始终保持接近满负荷运行。Everpure正在为此进行调整。 FlashBlade//EXA 采用 NVIDIA 模块化 STX 参考架构，支持基于 Vera Rubin 平台构建的下一代 AI Factory 设计。
该组合架构将 EXA 可扩展的文件和对象性能与 STX 组件（例如支持 BlueField 的存储控制器和上下文内存架构）相结合。其目标是优化整个 AI 数据管道：数据准备、特征和嵌入创建以及长上下文推理。上下文内存尤为重要，因为大规模、智能体、多步骤推理系统依赖于对大量上下文窗口和历史记录的快速访问。EXA/STX 设计通过提供持续带宽和最大限度地减少尾延迟来满足这些千兆级推理需求。
近期行业基准测试验证了该平台在实际高并发 AI 工作负载下的性能。这些基准测试包括：
- SPEC存储解决方案2020 AI_Image： FlashBlade//EXA 在 SPEC Storage AI_Image 基准测试中取得了最高分，同时支持 6,300 个 AI 作业。这一结果表明，该系统能够以全性能支持大量并发的训练和预处理任务，这在多租户和多团队的 AI 环境中日益普遍。
- 与 MLPerf 对齐的 GPU 利用率和吞吐量： 内部基于模型驱动的工作负载测试（与 MLPerf 测试一致）表明，FlashBlade//EXA 的数据传输速度几乎是其最接近的竞争对手的两倍，而存储空间占用却不到其一半。在测试中，该平台在大型 H100 集群上保持了 90% 以上的 GPU 利用率。这表明存储系统不太可能成为瓶颈，从而使昂贵的加速器能够在数据集和模型不断增长的情况下保持高负载运行。EXA 的设计具有线性扩展性，即使增加计算和存储资源，也能保持这种利用率。
Everpure 还将 NVIDIA 认证存储 (NVCS) 的验证范围扩展至 FlashBlade//EXA。此举为兼容性和性能提供了更清晰的基准，并为达到与 NVIDIA 云合作伙伴参考架构一致的 NVCS “NCP” 认证级别奠定了基础。对于采用 NVIDIA AI 解决方案的企业而言，此类存储认证有助于降低集成风险，并简化参考设计的采用流程。
自动化人工智能数据编排
如果通往 AI 堆栈的数据管道仍然分散且需要人工操作，那么仅靠高存储性能并不能保证 AI 的成功。Everpure Data Stream 作为编排层，能够自动执行从数据摄取、准备到交付到 GPU 基础设施的关键步骤。
该服务专注于整理和协调“AI就绪”数据，以便训练和推理系统能够持续获得最新数据集，而无需大量的运维干预。其目的是通过减少临时脚本编写、手动数据准备以及为数据集刷新而重复进行的工程变通方案，缩短从初始实验到稳定生产运行的时间。
由 Supermicro 联合开发的 Everpure Data Stream 人工智能数据平台 (AIDP) 为寻求更小初始部署空间的企业提供了一个紧凑的参考设计。该平台将 Supermicro 的服务器和加速器硬件与 Everpure 的软件定义存储层集成在一起，为部署支持训练和推理流水线的数据平面提供了一套即用型解决方案。
作为AIDP战略的一部分，Everpure还支持加速平台，包括NVIDIA RTX PRO 6000 Blackwell服务器版，并计划将支持范围扩展到RTX PRO 4500 Blackwell服务器版。这些配置旨在满足那些需要强大的推理能力以及边缘或部门级训练能力，但又不想立即投资大型数据中心GPU集群的客户的需求。
持续数据优化
Everpure 的平台构建理念是：人工智能基础设施并非一次性投资，而是一个持续改进数据和进行性能测试的过程。在这种理念下，人工智能就绪不仅仅是部署技术，而是一个不断循环的过程，包括收集新数据、重新训练或调整模型，以及随着工作负载的变化验证性能。
通过集成 FlashBlade//EXA、Evergreen//One 的消费模式、数据流自动化以及与 NVIDIA STX 和 NVCS 认证的一致性，Everpure 旨在帮助组织从孤立的 AI 试点项目过渡到可重复的生产级 AI 工厂，同时保持对 GPU 利用率和运营效率的关注。
内部 MLPerf 组件测量结果支持了部分上述说法，尽管这些结果并未作为官方 MLPerf 结果提交。从技术角度来看，关键点在于：SPECstorage AI_Image 下展现出的并发性、H100 环境下报告的 GPU 利用率，以及向完全验证的 NVIDIA 对齐参考架构的过渡。
Amazon