测试结果

1. U-Net 3D训练场景

该场景模拟医疗影像等大体积3D数据的训练过程，要求存储系统持续为多个并发GPU客户端提供大型数据文件（单个约146MB），旨在测试存储的极限顺序读写带宽，确保GPU不会因数据供给不足而出现空闲等待。

在U-Net3D场景负载下，我们共计训练了42000个文件，模拟了1到5颗GPU的训练过程。如图1所示，UH812a在模拟5颗H100 GPU的负载下，实现了14566.46 MB/s的最高吞吐量，接近标称读带宽（14900 MB/s），此时GPU利用率（AU）达到最低96%，远高于基准所要求的90%以上水平。通过图1也可看见，UH812a的性能随着GPU数量增加而线性提升，且GPU利用率仅出现微弱波动，证明其在多客户端高并发访问场景下仍能持续提供稳定、高带宽的数据流。

图1：UH812a在不同数量H100环境下的性能测试结果

此外，在该场景测试中，UH812a可支持高达5颗H100加速器，优于对比竞品（仅支持4颗），凸显了其在大体积3D数据训练负载下更强的并发处理能力与性能优势。

图2：UH812a与竞品可支持的H100数量对比

2. ResNet50训练场景

此场景模拟常规图像分类模型的训练流程，要求存储系统能够应对海量GPU客户端的高并发、随机读取需求，处理大量小型图片文件（每个约150KB），从而充分考验存储系统的高IOPS和低延迟元数据处理能力。

在ResNet-50场景测试中，我们共计训练了19163个文件，模拟了10至78颗GPU的训练过程。如图3所示，在模拟78颗H100 GPU的负载下，UH812a实现了14008.66 MB/s的最大吞吐量，GPU利用率稳定在92.2%，同样超过基准要求（AU> 90%），体现出其能够为复杂训练任务持续提供充足的存储性能支持。

图3：UH812a在不同数量H100环境下的性能测试结果

另外，在此场景测试中，UH812a可支持高达78颗H100加速器同时高效工作，显著领先于竞品（分别为65颗和64颗）。这一优势表明，UH812a具备支撑更大规模AI训练集群的潜力，能为极致扩展的模型训练任务提供稳定可靠的数据供给基础。

图4：UH812a与竞品可支持的H100数量对比

3. CosmoFlow训练场景

该场景主要模拟气候、宇宙学等科学计算中的大规模训练任务，要求存储系统能够支持从8个到数千个客户端的GPU集群扩展，同时高效读取海量中等尺寸文件（每个约2MB）。其核心挑战在于存储系统的可扩展性与延迟稳定性——任何局部的访问延迟都可能拖慢整个分布式训练作业，因此对存储系统的并发处理与响应一致性要求更高。

在CosmoFlow场景的实际验证中，我们累计训练了971819个文本数据，并模拟了1至26颗GPU的训练过程。如图5所示，当加速器数量达到23颗及以上时，UH812a的吞吐量稳定维持在约14000MB/s，同时GPU利用率始终高于基准要求（AU>70%），展现出卓越的系统可扩展性与持续稳定的高并发数据供给能力。

图5：UH812a在不同数量H100环境下的性能测试结果

此外，在这一场景下，UH812a可支持26颗H100加速器，相比于竞品（支持21颗和16颗），支持GPU数量更多，可为高负载场景提供稳定可靠的存储服务。

图6：UH812a与竞品可支持的H100数量对比

4. Checkpoint训练场景

此场景模拟大模型训练中保存和恢复训练状态的关键操作，要求所有GPU同时将完整的模型状态（参数、优化器等，规模可达数TB）顺序写入存储，再快速读取。该过程是对存储系统高并发顺序读写带宽的终极考验，其性能直接决定了训练任务因中断而损失的时间。

在Checkpoint场景的实测中，受限于时间等因素，我们以Llama3-8b模型进行了写入测试，图7结果显示，UH812a的带宽达到13053.4 MB/s，较竞品A提升24%，较竞品B提升11%，可为用户提供高性能的读写体验。

图7：Llama3-8b模型下UH812a与竞品表现对比

MLPerf Storage v2.0的测试结果表明，UH812a能够充分满足前沿AI场景对存储系统的严苛性能需求，尤其在数据供给能力和稳定性方面展现出显著优势，性能领先于业界同类产品。这不仅印证了其在加速AI工作负载方面的卓越能力，也体现了其作为智能算力底座关键一环的核心价值。

未来，忆联将继续聚焦AI存储技术创新与产品研发，致力于通过更高性能、更可靠的存储解决方案，持续赋能智能算力基础设施建设，与产业伙伴共同推动人工智能技术的规模化落地与持续演进。