Everpure 於 2026 年 9 月 2 日宣佈，其 FlashBlade//EXA 儲存平台在最新發布的 MLPerf Storage v3.0 基準測試中，於 405B 引數和 1.25T 引數模型的檢查點（checkpointing）以及 KV 快取（KV cache）效能類別中均排名第一。MLPerf Storage 基準由 MLCommons 推出，旨在衡量儲存系統在嚴苛 AI 工作負載下的表現，而非孤立地測試儲存硬體。
當訓練任務需要儲存檢查點，或推理負載需要檢索 KV 快取資料時，儲存系統不再只是後台配角，而成為影響整體效能的關鍵環節。如果儲存無法跟上，GPU 和加速器將因等待資料而閒置，造成高昂的成本浪費。Everpure 技術長 Rob Lee 表示，這些結果再次證明 FlashBlade//EXA 在市場上提供了最高的效能和規模，能夠滿足 AI 工作負載日益增長的需求。他強調，處於 AI 開發前沿的組織需要既能提供極致效能與可擴充套件性、又不犧牲可靠性和運維簡單性的基礎設施，而 FlashBlade//EXA 在這方面獨樹一幟。
在具體測試中，針對 1.25T 引數模型，FlashBlade//EXA 在 1,024 個模擬加速器環境下，使用 30 個數據節點實現了 877.52 GiB/s 的寫入頻寬（持續 17.74 秒）和 588.28 GiB/s 的讀取頻寬（持續 28.99 秒）。更重要的是，效能表現出可預測的擴充套件性：寫入吞吐量從 10 個數據節點時的 327.65 GiB/s 線性增長至 30 個節點時的 877.52 GiB/s。這種可預測的擴充套件性對 AI 工作負載的動態變化至關重要——隨著組織增加算力、擴大模型規模、引入更多資料並擴充套件容量，底層儲存必須同步跟上。
在推理側，KV 快取正成為資料路徑中日益重要的組成部分。MLPerf 測試顯示，FlashBlade//EXA 在 Llama 3.1 8B 工作負載下，純儲存配置實現了 85,736 tokens/秒 的吞吐；在儲存加記憶體配置下，8B 負載達到 67,642 tokens/秒；而 70B 純儲存負載則為 33,403 tokens/秒。這些數字反映出 AI 基礎設施思維正在發生轉變：儲存不再僅僅是計算操作之間資料存放的地方，它必須參與到 AI 工作負載所要求速度的資料路徑中。
FlashBlade//EXA 的架構採用解耦設計，將後設資料管理與資料傳輸分離。在基準測試配置中，30 個 FlashBlade//EXA 刀片配備 120 個 DirectFlash 模組專責後設資料處理，與 30 個 Linux/NVMe 資料節點協同工作，通過統一檔案系統提供約 866 TB 的可用容量。該架構使用 NFSv4.1/pNFS over TCP 進行檔案佈局協商，並通過 NFSv3 over RDMA（RoCEv2）實現高速資料移動。這種設計允許資料在網路結構中直接流動，而非強制所有工作負載經過集中式儲存路徑。
隨著 AI 叢集規模不斷擴大，這種架構優勢愈發明顯。Everpure 正從傳統儲存陣列向企業資料雲（Enterprise Data Cloud）願景拓展，採用軟體驅動的方法幫助企業在日益複雜的環境中管理和使用資料。AI 是檢驗這一願景的試金石，因為其基礎設施不能再被視為孤立元件的集合——GPU、網路、儲存和資料必須協同工作，任一環節的效能都依賴於其他環節的配合。可預測地擴充套件資料移動能力，其重要性可能不亞於峰值效能數字本身。
Everpure 是一家在紐約證券交易所上市的公司（程式碼：P），專注於提供行業領先的儲存和資料管理平台，幫助企業釋放資料價值，同時降低能耗。該公司聲稱擁有十多年來最高的淨推薦值之一，是眾多創新組織的選擇。