Everpure 于 2026 年 9 月 2 日宣布，其 FlashBlade//EXA 存储平台在最新发布的 MLPerf Storage v3.0 基准测试中，于 405B 参数和 1.25T 参数模型的检查点（checkpointing）以及 KV 缓存（KV cache）性能类别中均排名第一。MLPerf Storage 基准由 MLCommons 推出，旨在衡量存储系统在严苛 AI 工作负载下的表现，而非孤立地测试存储硬件。

当训练任务需要保存检查点，或推理负载需要检索 KV 缓存数据时，存储系统不再只是后台配角，而成为影响整体性能的关键环节。如果存储无法跟上，GPU 和加速器将因等待数据而闲置，造成高昂的成本浪费。Everpure 首席技术官 Rob Lee 表示，这些结果再次证明 FlashBlade//EXA 在市场上提供了最高的性能和规模，能够满足 AI 工作负载日益增长的需求。他强调，处于 AI 开发前沿的组织需要既能提供极致性能与可扩展性、又不牺牲可靠性和运维简单性的基础设施，而 FlashBlade//EXA 在这方面独树一帜。

在具体测试中，针对 1.25T 参数模型，FlashBlade//EXA 在 1,024 个模拟加速器环境下，使用 30 个数据节点实现了 877.52 GiB/s 的写入带宽（持续 17.74 秒）和 588.28 GiB/s 的读取带宽（持续 28.99 秒）。更重要的是，性能表现出可预测的扩展性：写入吞吐量从 10 个数据节点时的 327.65 GiB/s 线性增长至 30 个节点时的 877.52 GiB/s。这种可预测的扩展性对 AI 工作负载的动态变化至关重要——随着组织增加算力、扩大模型规模、引入更多数据并扩展容量，底层存储必须同步跟上。

在推理侧，KV 缓存正成为数据路径中日益重要的组成部分。MLPerf 测试显示，FlashBlade//EXA 在 Llama 3.1 8B 工作负载下，纯存储配置实现了 85,736 tokens/秒 的吞吐；在存储加内存配置下，8B 负载达到 67,642 tokens/秒；而 70B 纯存储负载则为 33,403 tokens/秒。这些数字反映出 AI 基础设施思维正在发生转变：存储不再仅仅是计算操作之间数据存放的地方，它必须参与到 AI 工作负载所要求速度的数据路径中。

FlashBlade//EXA 的架构采用解耦设计，将元数据管理与数据传输分离。在基准测试配置中，30 个 FlashBlade//EXA 刀片配备 120 个 DirectFlash 模块专责元数据处理，与 30 个 Linux/NVMe 数据节点协同工作，通过统一文件系统提供约 866 TB 的可用容量。该架构使用 NFSv4.1/pNFS over TCP 进行文件布局协商，并通过 NFSv3 over RDMA（RoCEv2）实现高速数据移动。这种设计允许数据在网络结构中直接流动，而非强制所有工作负载经过集中式存储路径。

随着 AI 集群规模不断扩大，这种架构优势愈发明显。Everpure 正从传统存储阵列向企业数据云（Enterprise Data Cloud）愿景拓展，采用软件驱动的方法帮助企业在日益复杂的环境中管理和使用数据。AI 是检验这一愿景的试金石，因为其基础设施不能再被视为孤立组件的集合——GPU、网络、存储和数据必须协同工作，任一环节的性能都依赖于其他环节的配合。可预测地扩展数据移动能力，其重要性可能不亚于峰值性能数字本身。

Everpure 是一家在纽约证券交易所上市的公司（代码：P），专注于提供行业领先的存储和数据管理平台，帮助企业释放数据价值，同时降低能耗。该公司声称拥有十多年来最高的净推荐值之一，是众多创新组织的选择。