2025 年 8 月 4 日，全球權威的 AI 性能基準評測組織 MLCommons® 正式發布最新一輪 MLPerf® Storage v2.0 基準測試結果。來自中國的存儲廠商焱融科技在此次測試中表現突出，其全閃存儲一體機 F9000X 不僅在全部模型測試中性能領先，更以三節點存儲集群 513GB/s 的總帶寬刷新 3D-Unet 模型測試的紀錄，登頂 MLPerf 全球性能榜單。
MLPerf Storage：AI 存儲性能的黃金衡量標準
MLCommons 作為全球人工智能工程聯盟，始終致力于規范 AI 技術的準確性、安全性、速度與效率評估，推動 AI 系統性能優化，其權威性得到全球業界廣泛認可。而 MLPerf Storage Benchmark 作為該聯盟專為 AI 場景打造的存儲基準測試，通過模擬真實 AI 訓練中的 I/O 操作，精準衡量存儲系統向 GPU 輸送訓練數據的速度與能力。
此次發布的 MLPerf Storage v2.0，在 v1.0 基礎上進一步升級：除保留 3D-Unet、ResNet50、CosmoFlow 三大訓練模型外，新增 Checkpoint 工作負載，更全面覆蓋訓練中斷點恢復、模型存檔等實際場景。為確保結果的嚴謹性與公正性，v2.0 要求每項基準測試必須多次重復執行（訓練任務 5 次、Checkpoint 任務 10 次），且全程連續運行無失敗，同步提交完整測試日志，最終結果取多次運行的平均值 —— 這一系列嚴格規范，使其成為業界衡量 AI 存儲性能時最具參考價值的權威標準。
焱融全閃刷新全球紀錄 最小規模集群性能第一
MLPerf Storage 基準測試既支持單個計算節點（客戶端）運行多個 ACC（GPU 加速器）的模型測試，也適配分布式訓練集群場景 —— 通過多客戶端模擬真實數據并行訪問存儲集群，充分覆蓋從單節點到分布式集群的全場景 AI 工作負載。其最關鍵的衡量標準，是在保證高性能 GPU 利用率（3D-Unet 與 ResNet50 模型下為 90%，CosmoFlow 模型下為 70%）的前提下，存儲系統所能實現的聚合帶寬。這項指標是衡量存儲系統實際能力的核心，直接體現其在 AI 訓練過程中是否能夠充分“喂飽”計算資源，避免造成 GPU 空閑浪費。
最新測試結果顯示，在 3D-Unet、ResNet50 以及 CosmoFlow 所有模型的測試場景下，于通用硬件環境中，針對分布式存儲的最小規模集群，即三節點存儲集群，焱融全閃 F9000X 在全球知名分布式存儲廠商中脫穎而出，集群總帶寬等關鍵指標位列全球第一。尤其是在 3D-Unet 模型測試中，集群帶寬達到 513 GB/s ，為迄今已公布結果中的最高值。
數據來源：MLCommns 官方 https://mlcommons.org/benchmarks/storage/
除分布式場景外，在單客戶端測試中，焱融全閃 F9000X 同樣展現出優異性能，進一步驗證了其在不同部署規模下的強勁數據處理能力。
此外，在新增的 Checkpoint 工作負載測試中，針對 Llama3-70B 模型場景，通過部署 8 個客戶端模擬并發請求、搭配 64 個模擬 GPU 環境，實現 221 GB/s 讀取帶寬與 79 GB/s 寫入帶寬的高性能表現。這種穩定且高效的帶寬支撐能力，能夠精準保障 Checkpoint 文件在模型訓練全流程中實現秒級極速讀寫，從底層存儲層面為 AI 訓練任務的斷點續訓連續性與模型訓練穩定性筑牢技術根基，助力企業從容應對大規模模型訓練的嚴苛存儲需求。
焱融存儲 MLPerf 測試表現背后：技術積淀與生態協同是關鍵
據了解，焱融存儲去年便參與了 MLPerf Storage v1.0 基準測試，并以出色成績從全球知名存儲廠商中強勢突圍。焱融存儲之所以能在 MLPerf 存儲基準測試中持續取得優異成績，核心在于其長期深耕 AI 大模型訓練與推理等核心場景的技術積累：一方面，通過長期深耕大模型訓練與推理等核心場景，深度理解 AI 工作負載特性；另一方面，從架構設計到軟硬件全技術棧，持續推進系統性創新與優化，構建起應對高性能負載的核心能力。
與此同時，焱融也與 NVIDIA、Intel、新華三（H3C）、憶恒創源（Memblaze）、大普微（DapuStor）等上下游生態伙伴展開深度協同，在網絡、芯片、服務器、SSD 等關鍵環節緊密合作，實現軟硬件的深度適配與極致優化，有效保障系統在 AI 基礎設施全鏈路中的高效穩定運行。
公開資料顯示，焱融全閃存儲基于其自研的高性能分布式文件系統 YRCloudFile，通過多項關鍵技術實現性能突破：
采用自研 Multi-Channel 網絡帶寬聚合技術，可整合多張 InfiniBand/RoCE 網卡性能，在大 IO 場景下充分釋放硬件潛力，支撐超高速數據傳輸；
系統具備負載感知能力，可根據壓力智能切換中斷與輪詢模式，有效提升 IOPS 性能；
在 IO 模型層面，通過異步非阻塞設計減少上下文切換、增強并行處理能力，并通過處理器核心資源的高效分配，降低線程調度開銷，支撐高并發數據處理的同時，充分發揮 NVMe SSD 的性能優勢；
針對大規模 GPU 集群易出現的網絡擁塞問題，專項優化傳輸機制，保障數據傳輸的高效與穩定。
隨著大模型向千億、萬億參數演進，存儲作為底層支撐的性能要求持續提升。此次焱融科技在 MLPerf Storage v2.0 中的表現，不僅印證了中國存儲廠商的技術實力，也為 AI 基礎設施的性能優化提供了可參考的實踐路徑。業內預計，未來存儲系統的高帶寬、低延遲能力依然是 AI 大模型廣泛落地的關鍵競爭力之一。
