Az Everpure helyben futó AI-val csökkentené az enterprise költségeit

A feldolgozás az adatközpontban marad

Az Everpure 2026. szeptember 11-i bemutatása szerint a Data Stream közvetlenül ott biztosít AI-képességeket, ahol a vállalati adatok már megtalálhatók. A platform GPU-gyorsított folyamatot használ a beolvasástól a következtetésig, így a strukturálatlan adatok kereséshez, következtetéshez és generatív felhasználásra készíthetők elő.

A megoldást az NVIDIA AI Data Platform referenciaterve alapján építették fel. A Pure Storage szerint a rendszer béta változatát az NVIDIA GTC 2026 konferencián mutatták be, az általános elérhetőséget pedig a Pure Accelerate rendezvényen jelentették be. A vállalat állítása szerint a nyers adatok előkészítése hónapokról percekre rövidíthető, miközben az információ a vállalati hálózaton belül marad.

A rendszer része az NVIDIA Nemotron 3 Nano nyílt, mixture-of-experts nyelvi modellje, amely nagyjából 31,6 milliárd paraméternyi tudást tartalmaz, de tokenenként körülbelül 3,6 milliárd paramétert aktivál. A modell egyetlen vállalati GPU-n is futtatható, és legfeljebb egymillió tokenes kontextust támogat. A platform emellett szöveghez és képekhez készült beágyazási modelleket, újrarangsorolót, valamint a forrásadatokat és vektorindexeket tároló Everpure FlashBlade//S rendszert használ.

A költségcsökkentés kulcsa a tokenek mennyisége

Az Everpure érvelése szerint a vállalati AI költségét gyakran nem önmagában a GPU-k száma, hanem a feldolgozott tokenek mennyisége hajtja. Egy ügynöki rendszer egyetlen kérdés megválaszolása során tervezhet, adatot kereshet, eszközöket hívhat meg, ellenőrizheti a munkáját, majd ismételheti ezeket a lépéseket. A forrás szerint egy egyszerűnek tűnő feladat akár 30 modellhívást, egy hosszú munkamenet pedig több száz hívást is jelenthet.

A Pure Storage által idézett, 2026 közepi nyilvános árak szerint a nagy szolgáltatók modelljeinek bemeneti díja körülbelül 3 és 5 dollár között van egymillió tokenenként, a kimeneti díj pedig 15 és 30 dollár között. A Nemotron 3 Nano nyilvános hosztolási ára 0,05 dollár bemeneti és 0,20 dollár kimeneti tokenenként egymillió tokenre vetítve. A Data Stream saját GPU-kon fut, ezért a vállalat szerint egy további ügynöki lépés többletköltsége közelebb áll az áramfogyasztáshoz, mint a fenti API-díjakhoz.

Az NVIDIA közzétett eredményei alapján a Nemotron 3 Nano akár 3,3-szor nagyobb következtetési teljesítményt érhet el hasonló méretű nyílt modelleknél, miközben a népszerű teszteken magasabb pontszámot szerez. A forrás szerint elődjéhez képest akár 60 százalékkal kevesebb gondolkodási tokenre lehet szüksége a válaszhoz.

Egyszeri adat-előkészítés, későbbi keresés

A Data Stream a dokumentumok teljes újbóli feldolgozása helyett előre elvégzi a kinyerést, az OCR-t, a darabolást és a beágyazást. Ezután a kérdésekhez csak a releváns bizonyítékokat keresi ki. A rendszer szemantikai, kulcsszavas és kapcsolati keresést kombinál, majd újrarangsorolja a találatokat, hogy a modell a forrásokra támaszkodó, idézetekkel ellátott választ adhasson.

A Pure Storage példái szerint egy éves pénzügyi jelentés több mint 200 ezer tokenből állhat, a hitelakták és üzleti adattermek pedig több millió tokenesek is lehetnek. A retrieval-first megközelítés a vállalat szerint kérdésenként 50 és 100 közötti arányban csökkentheti a bemeneti tokenek számát. Egészségügyi rendszerekben a képeket egyszer lehet beágyazni helyben, így a későbbi lekérdezések az indexen futnak, és a védett egészségügyi adatok nem hagyják el az adatközpontot.

A megoldás a vállalati irányítást is a platform részének tekinti. A modell validált verziója rögzíthető, a Nemotron pedig a vállalat szerint finomhangolható saját területre. A hozzáférési szabályok a felhasználót követik, így a válaszok csak az engedélyezett dokumentumokra támaszkodhatnak. Az Everpure ugyanakkor elismeri, hogy a nyílt végű gondolkodás, az összetett új szintézis és a csúcskategóriás kódgenerálás továbbra is a frontier modellek területe.