OpenLake在MLPerf Storage v3.0测试中取得领先成绩

OpenLake的测试结果到底有多快？

在MLPerf Storage v3.0的Llama 3.1 8B模型检查点（checkpointing）基准测试中，OpenLake的Infinity Core I/O Engine实现了6.72 GiB/s的写入带宽和11.55 GiB/s的读取带宽。

这意味着，在本次公布的相关测试结果中，OpenLake的存储引擎展现出了较高的读写吞吐能力，尤其适用于人工智能训练过程中频繁保存和读取模型检查点的场景。

MLPerf Storage v3.0测试评估的是什么？

MLPerf Storage是一项用于评估存储系统性能的行业标准基准测试。它并不是单纯测试硬盘或存储设备的理论速度，而是将存储系统放入更接近实际的人工智能训练与推理工作负载中进行评估。

对于大模型训练而言，模型需要持续读取训练数据，并定期保存检查点。如果存储系统写入速度不足，检查点保存就可能拖慢训练流程；如果读取性能不够，模型恢复、加载或后续训练也会受到影响。因此，存储性能会直接关系到人工智能系统的训练效率、恢复速度和整体生产力。

OpenLake在哪一项测试中取得最高读写带宽？

根据MLCommons于2026年9月1日发布的MLPerf Storage v3.0结果，OpenLake在Closed division（封闭组）S3结果中的Llama 3.1 8B检查点测试里，取得了已公布结果中的最高读取和写入带宽。

这里的比较范围需要明确：这一结论针对的是已发布的Closed division S3结果，并不是对所有存储系统、所有测试组别或所有接口类型进行无条件比较。准确理解测试范围，才能避免把基准测试成绩夸大成泛化的性能结论。

这次对比为什么被认为更接近“同类比较”？

此次结果涉及五项提交结果。来源内容指出，这五项提交是已公布结果中最接近同类对比的一组，也就是它们在测试目标和基本条件上具有较强可比性。

不过，来源同时强调，参与测试的底层存储配置并不完全相同。因此，OpenLake虽然在这组公布的结果中取得了最高读写带宽，但不同系统的硬件、软件和存储架构存在差异，不能仅凭一个数字就断言所有场景下的实际性能都完全一致。

OpenLake采用了什么技术接口？

本次成绩由OpenLake的Infinity Core I/O Engine通过S3 API接口完成。也就是说，测试并非依赖某个未公开的专用访问方式，而是通过S3 API与存储系统进行数据读写。

在模型检查点场景中，系统需要将训练状态写入存储，并在需要时重新读取。Infinity Core I/O Engine在这一过程中提供了相应的输入输出能力，最终在单客户端节点、单个数据并行实例的测试条件下，获得了6.72 GiB/s写入速度和11.55 GiB/s读取速度。

单客户端节点和单个数据并行实例意味着什么？

本次测试使用了一个客户端节点和一个数据并行实例。这说明该结果是在相对明确、限定的测试规模下取得的，而不是在大规模多节点集群环境中得出的最终结论。

这种设置有助于减少变量，使不同提交结果之间更容易进行对照。但同时也意味着，测试结果主要反映该配置下的存储性能。若将系统扩展到更多客户端节点、更大规模的数据并行任务，实际表现仍需要通过相应测试进一步验证。

为什么AI训练越来越重视存储性能？

随着人工智能系统持续扩大，模型参数规模、训练数据量以及训练任务复杂度都在增加。存储系统不再只是负责“保存文件”的基础设施，而是逐渐成为影响训练效率的重要组成部分。

当模型训练需要频繁保存检查点时，写入速度较慢可能导致计算资源等待；当训练任务中断后需要恢复时，读取速度较慢又会延长恢复时间。对于长期运行的大模型训练任务而言，这些等待时间会不断累积，进而影响整个系统的生产力与资源利用效率。

OpenLake在此次测试中强调的，正是存储系统在AI训练工作负载下的实际读写能力，而不仅仅是传统存储测试中的单项峰值速度。

OpenLake对这项成绩如何评价？

OpenLake表示，随着人工智能系统不断扩展，存储性能对于生产力和效率的重要性正在持续提升。公司对能够参与MLPerf Storage测试表示高兴。

来源内容中的相关引述在此处未完整呈现，因此本文不对未显示的后续表述进行补充或推测。

这项成绩应该如何理性看待？

从已公布信息来看，OpenLake的Infinity Core I/O Engine在MLPerf Storage v3.0的特定测试项目中表现突出：它通过S3 API，在Llama 3.1 8B检查点测试中获得了6.72 GiB/s写入带宽和11.55 GiB/s读取带宽，并在已公布的Closed division S3结果中取得最高读写带宽。

但这项成绩的适用范围也必须说清楚：测试采用的是一个客户端节点和一个数据并行实例，比较对象为五项较接近的提交结果，而底层存储配置仍然存在差异。因此，更准确的说法是OpenLake在本次特定基准测试和公布对比范围内取得领先，而不是简单地宣称其在所有AI存储场景中都全面领先。

我认为：大模型时代，真正拖慢人工智能发展的，未必总是计算芯片，也可能是那些看不见、却始终在等待数据的存储环节。一次基准测试不能替代所有真实应用，但它至少提醒我们：当模型越来越大、训练越来越久，存储系统就不能再做沉默的后台角色。谁能让数据更快写入、更快读取，谁就可能让昂贵的计算资源少一些空等，让人工智能训练多一些效率。

#模型检查点