在全球权威AI性能基准 MLPerf Storage v3.0 的AI Training测试中，紫山龙霖（国芯科技参股企业）GalaxSphere从数据带宽、GPU承载能力、横向扩展性和单位效率等多个维度，验证了面向大规模AI训练集群的高效数据供给能力。
随着大模型与多模态AI快速演进，AI训练正从几十张GPU迈向千卡、万卡集群。GPU越多、算力越强，对数据供给能力的要求也越高。
如果数据送得不够快，GPU就只能等待，昂贵的算力难以充分释放。因此，AI基础设施比拼的不只是GPU数量，更是数据能否持续、稳定、高效地到达GPU。
两类训练负载，全面考验AI数据供给能力
MLPerf Storage v3.0 AI Training测试涵盖 3D U-Net 和RetinaNet 两类典型负载：前者侧重大文件连续读取，考验存储系统的高带宽吞吐能力；后者以大量图像并发访问为特征，重点考验小文件与高并发处理能力。
两类负载覆盖了AI训练中的典型数据访问模式，GalaxSphere在两类测试中均取得突出表现。
高带宽：最高433.36 GiB/s，让GPU等待更少
在3D U-Net训练场景中，GalaxSphere：
每客户端读取带宽达到142.83 GiB/s，领先第二名2.11倍；
每RU设备读取带宽达到433.36 GiB/s，领先第二名3.22倍。
高带宽意味着单位时间内可以向GPU提供更多训练数据，从而减少GPU因等待数据产生的空闲。
而在更加考验小文件、高并发访问能力的RetinaNet场景中，GalaxSphere每RU设备读取带宽达到25.85 GiB/s，领先第二名1.61倍。
这说明GalaxSphere的性能优势并非局限于大文件顺序读取，在视觉AI等大量小文件、高并发数据访问场景下，同样能够提供领先的数据供给能力。
AI Training关键性能结果
支撑更多GPU：每RU最高可支持200张B200
对于AI数据中心来说，仅看存储带宽还不够。一个更直接的指标是：相同基础设施资源，究竟能够支撑多少GPU持续运行？
在3D U-Net测试中，GalaxSphere:
每客户端可支持26张B200，领先第二名2.17倍；
每RU设备可支持80张B200，领先第二名3.2倍。
在RetinaNet场景中，GalaxSphere每RU设备可支持200张B200，领先第二名1.74倍。
AI训练：RetinaNet每RU设备支持B200数量排名第一
从1个节点到4个节点，性能随集群持续扩展
单节点性能领先，只是AI存储能力的一部分。当GPU集群从几十张扩展到数百、数千张时，更关键的问题是：存储性能能否随着算力规模同步增长？
此次测试分别部署1、2、3、4个GalaxSphere Tier0节点，对系统的并行I/O能力与横向扩展能力进行了验证。
Tier0横向扩展测试
AI训练中的GPU规模和总吞吐量扩展性测试结果
随着Tier0节点由1个增加至4个:
在3D U-Net场景中，支持B200数量从26张提升至80张，总吞吐量从142.83 GiB/s提升至433.36 GiB/s。
在RetinaNet场景中，支持B200数量从58张提升至200张，总吞吐量从7.49 GiB/s提升至25.85 GiB/s。
测试结果显示，随着Tier0节点数量增加，系统支持的GPU数量和总吞吐量均持续增长，体现出良好的横向扩展能力。这也验证了GalaxSphere在主数据集可100%驻留本地的最佳测试场景下，面向更大规模GPU集群持续扩展数据供给能力的架构潜力。
AI基础设施正在进入“单位效率”竞争
当AI集群规模越来越大，真正稀缺的资源已经不仅是性能，还包括机柜空间、电力和散热能力。
这也意味着，AI存储的评价指标正在从“总带宽有多高”，进一步演进为：每一个RU、每一瓦电，能够输出多少有效性能？The performance results provide unique and important insights into the state of the storage industry -including power efficiency. On-premises submissions for the checkpointing write test achieved a median rate of 14 GB/second per watt, with a maximum of 201. Similarly, submissions for the UNet3D read test achieved a median of 34 GB/second per watt, with a maximum of 277. “There is a wide range of power efficiencies represented in the results,” said Anderson, “which is critical performance information for stakeholders buying storage solutions for AI applications. It also shows that there is ample room for further improvement, and we encourage all suppliers to optimize for that metric.”
性能测试结果为了解存储行业的现状（包括能效）提供了独特而重要的见解。本地部署的Checkpoint写入测试结果中，平均速率为每瓦 14 MiB/秒，最高可达 201 MiB/秒。同样，UNet3D 读取测试结果中，平均速率为每瓦 34 MiB /秒，最高可达 277 MiB /秒。“测试结果展现了广泛的能效水平，”Anderson 表示，“这对为人工智能应用采购存储解决方案的利益相关者而言，是至关重要的性能信息。这也表明，存储行业仍有很大的提升空间，我们鼓励所有供应商针对这一指标进行优化。”
——ML Commons
在MLPerf Storage v3.0 3DU-Net读取测试中，GalaxSphere每RU设备读取带宽达到433.36 GiB/s，测试功耗为1600W，平均达到277 MiB/s/W，为该项测试最高值。
高性能与高单位效率同时具备，意味着在有限的数据中心空间和功耗预算下，可以用更高效的存储基础设施支撑更大规模的GPU算力。
不只是更快的存储，而是更高效的数据供给
从此次MLPerf Storage v3.0 AI Training测试可以看到，GalaxSphere体现出的并非单一性能指标优势，而是一套面向AI训练的数据供给能力：
更高带宽：让数据更快到达GPU，减少训练过程中的I/O等待；
更高GPU承载密度：让更少的基础设施资源服务更多算力；
持续横向扩展：让数据供给能力跟随GPU集群共同增长；
更高单位效率：降低机柜、电力和散热资源压力。
数据来源：MLPerf Storage Results. URL：https://mlcommons.org/benchmarks/storage/
