3 节点集群带宽突破 513GB/s，焱融存储再度登顶 MLPerf Storage 全球榜单

2025 年 8 月 4 日，全球最具权威的 AI 性能基准评测组织 MLCommons® 正式发布最新一轮 MLPerf® Storage v2.0 基准测试结果。焱融科技续写精彩：去年首战 MLPerf v1.0 测试，便以出色成绩从全球知名存储厂商中强势突围；本次 v2.0 测试，再次刷新全球纪录 —— 焱融全闪存储一体机 F9000X 在全部模型测试中性能领先，尤其是在 3D-Unet 模型测试中，三节点存储集群实现了高达 513 GB/s 的总带宽。这一成绩再次证明了焱融存储的高带宽、低延迟表现，以及其应对高强度 AI/ML 工作负载的卓越能力。

MLPerf Storage：AI 存储性能的黄金衡量标准

MLCommons 作为全球人工智能工程联盟，始终致力于规范 AI 技术的准确性、安全性、速度与效率评估，推动 AI 系统性能优化，其权威性得到全球业界广泛认可。而 MLPerf Storage Benchmark 作为该联盟专为 AI 场景打造的存储基准测试，通过模拟真实 AI 训练中的 I/O 操作，精准衡量存储系统向 GPU 输送训练数据的速度与能力。

此次发布的 MLPerf Storage v2.0，在 v1.0 基础上进一步升级：除保留 3D-Unet、ResNet50、CosmoFlow 三大训练模型外，新增 Checkpoint 工作负载，更全面覆盖训练中断点恢复、模型存档等实际场景。为确保结果的严谨性与公正性，v2.0 要求每项基准测试必须多次重复执行（训练任务 5 次、Checkpoint 任务 10 次），且全程连续运行无失败，同步提交完整测试日志，最终结果取多次运行的平均值 —— 这一系列严格规范，使其成为业界衡量 AI 存储性能时最具参考价值的权威标准。

焱融全闪刷新全球纪录 最小规模集群性能第一

焱融科技参与本次 MLPerf 存储基准测试使用的是公司旗舰全闪产品 —— F9000X 分布式全闪存储一体机。该产品基于焱融自研的高性能分布式文件系统 YRCloudFile，专为 AI 训练与推理、高性能计算等高性能场景打造。在本次基准测试中，通过新华三 x86 架构高性能服务器构建焱融全闪 F9000X 存储集群，其中每个存储节点搭载英特尔® 至强® 第 5 代可扩展处理器，存储介质采用国产 PCIe 5.0 NVMe 闪存（包括忆恒创源和大普微），同时配备 4 块 NVIDIA ConnectX-7 400Gbps InfiniBand 网卡。测试环境网络拓扑图如下所示：

环境配置拓扑图

MLPerf Storage 基准测试通过严谨的规则设计，全面衡量存储系统在 AI 训练场景下的真实能力：既支持单个计算节点（客户端）运行多个 ACC（GPU 加速器）的模型测试，也适配分布式训练集群场景 —— 通过多客户端模拟真实数据并行访问存储集群，充分覆盖从单节点到分布式集群的全场景 AI 工作负载。

该基准测试最关键的衡量标准，是在保证高性能 GPU 利用率（3D-Unet 与 ResNet50 模型下为 90%，CosmoFlow 模型下为 70%）的前提下，存储系统所能实现的聚合带宽。这项指标是衡量存储系统实际能力的核心，直接体现其在 AI 训练过程中是否能够充分“喂饱”计算资源，避免造成 GPU 空闲浪费。

MLPerf v2.0 存储基准测试结果显示，在 3D-Unet、ResNet50 以及 CosmoFlow 所有模型的测试场景下，于通用硬件环境中，针对分布式存储的最小规模集群，即三节点存储集群，焱融全闪 F9000X 在全球知名分布式存储厂商参与的测试里，展现出领先性能表现：在集群总带宽等关键指标上，位列全球第一。尤其是在 3D-Unet 模型测试中，集群带宽达到 513 GB/s ，为迄今已公布结果中的最高值。

数据来源：MLComons 官方 https://mlcommons.org/benchmarks/storage/

在三个模型的单客户端场景测试中，焱融全闪存储一体机 F9000X 同样展现出优异性能，进一步验证了其在不同部署规模下的强劲数据处理能力。

此外，在 MLPerf Storage v2.0 新增的 Checkpoint 工作负载测试中，焱融存储同样展现出强劲实力。针对 Llama3-70B 模型测试场景，通过部署 8 个客户端模拟并发请求、搭配 64 个模拟 GPU 环境，实测达成 221 GB/s 读取带宽与 79 GB/s 写入带宽的高性能表现。

这种稳定且高效的带宽支撑能力，可精准保障 Checkpoint 文件在模型训练全流程中实现秒级极速读写，从底层存储层面为 AI 训练任务的断点续训连续性与模型训练稳定性筑牢技术根基，助力企业从容应对大规模模型训练的严苛存储需求。

焱融存储 MLPerf 测试表现背后的技术积淀与展望

焱融存储之所以能在 MLPerf 存储基准测试中持续取得优异成绩，核心在于其长期深耕 AI 大模型训练与推理等核心场景的技术积累：一方面，通过长期深耕大模型训练与推理等核心场景，深度理解 AI 工作负载特性；另一方面，从架构设计到软硬件全技术栈，持续推进系统性创新与优化，构建起应对高性能负载的核心能力。

与此同时，焱融也与 NVIDIA、Intel、新华三（H3C）、忆恒创源（Memblaze）、大普微（DapuStor）等上下游生态伙伴展开深度协同，在网络、芯片、服务器、SSD 等关键环节紧密合作，实现软硬件的深度适配与极致优化，有效保障系统在 AI 基础设施全链路中的高效稳定运行。具体来看，焱融全闪存储基于自研高性能分布式文件系统 YRCloudFile，通过多项关键技术实现性能突破：

• 采用自研 Multi-Channel 网络带宽聚合技术，可整合多张 InfiniBand/RoCE 网卡性能，在大 IO 场景下充分释放硬件潜力，支撑超高速数据传输；

• 系统具备负载感知能力，可根据压力智能切换中断与轮询模式，有效提升 IOPS 性能；

• 在 IO 模型层面，通过异步非阻塞设计减少上下文切换、增强并行处理能力，并通过处理器核心资源的高效分配，降低线程调度开销，支撑高并发数据处理的同时，充分发挥 NVMe SSD 的性能优势；

• 针对大规模 GPU 集群易出现的网络拥塞问题，专项优化传输机制，保障数据传输的高效与稳定。

随着 AI 大模型的快速演进，底层存算与数据支撑架构面临的挑战持续升级。此次在 MLPerf® Storage v2.0 中的表现，既是对焱融存储技术实力的再次验证，也折射出其在推动 AI 存储领域进步过程中的持续探索。作为专注于 AI 存储的厂商，焱融科技将继续以技术创新为核心驱动力，围绕高性能、高可靠、高扩展的分布式文件系统，打造面向未来的 AI 存储底座，为千行百业的智能化转型提供坚实的数据支撑。

引用链接：

[1] MLPerf Storage Benchmark Suite Results: https://mlcommons.org/benchmarks/storage/

[2] MLPerf Storage rules: https://github.com/mlcommons/storage/blob/main/Submission_guidelines.md