Öt AI-tárolási megoldást mutatott be az Alibaba Cloud az Apsara 2026-on

Célzott tárolás az AI-munkafolyamatokhoz

Az Alibaba Cloud 2026. szeptember 25-i blogbejegyzése szerint az Apsara Conference 2026-on öt, AI-terhelésekre szánt tárolási terméket jelentett be: KVCacheStore, OSS Tables, CPFS, AgenticFS és továbbfejlesztett EBS.

A vállalat kiindulópontja az, hogy az AI-munkafolyamatok tárolási igényei erősen eltérnek egymástól. Egy billió paraméteres modell tanítása, a hosszú kontextusú következtetés, egy RAG-folyamat vagy több ezer ügynök futtatása más áteresztőképességet, késleltetést, párhuzamosságot és adatszerkezetet kíván.

Az Alibaba Cloud szerint az általános felhőtárolás ilyen esetekben kompromisszumokra kényszerít, ezért a portfólió egyes elemeit külön AI-munkaszakaszokra tervezték.

KVCacheStore: köztes réteg a nagy nyelvi modellek kiszolgálásához

A KVCacheStore a nagy nyelvi modellek következtetési folyamataiban használt KV cache kihelyezésére szolgál. A termék a GPU-memória és a távoli megosztott tároló közé kerül, az Alibaba Cloud állítása szerint ez az első nyilvános felhős termék, amely ezt a rést célozza.

A bejelentés szerint a KVCacheStore egy új G3.5 tárolási szintet hoz létre. Korábban, ha a KV cache túllépte a GPU-memória kapacitását, a lehetőségek a tokenek újraszámítására vagy a távoli megosztott tároló használatára korlátozódtak. Az előbbi számítási szempontból drága, az utóbbit a cég túl lassúnak írja le valós idejű következtetéshez.

A KVCacheStore százmilliárdos nagyságrendű KV cache bejegyzést támogat, a hatékony cache-lefedettségi ablakot 900 százalékkal bővíti, és cache miss esetén 54 százalékkal csökkenti az első token késleltetését. A Tair KVCM, vagyis KVCache Management használatával az Alibaba Cloud 99 százalékos effektív cache-találati arányt és 50 százalékkal alacsonyabb tokenenkénti költséget említ.

A terméket a forrás hosszú kontextusú, többfordulós és ügynökös következtetési terhelésekhez pozicionálja, különösen olyan esetekben, ahol a kontextusablak meghaladja a 128K tokent.

OSS Tables: objektumok, vektorok és táblák egy bucketben

Az OSS Tables az objektumtárolást, a vektortárolást és a táblás tárolást egyetlen bucketben egyesíti. A vállalat szerint az OSS korábban csak objektumtárolást támogatott, az OSS Tables viszont natív vektorindexelést, hasonlósági keresést és strukturált táblás tárolást is ad ugyanazon névtéren belül.

Ez főként RAG-rendszereknél lehet fontos a forrás alapján. A szokásos felépítésben a dokumentumok objektumtárolóban vannak, a beágyazások külön vektoradatbázisba kerülnek, a metaadatokat pedig egy táblás tároló kezeli. Az OSS Tables ezt egy bucketbe vonja össze, így a cég szerint nincs szükség külön vektoradatbázisra, ETL-adatszinkronra és többszörözött adattárolásra.

A megoldás egységes API-hozzáférést kínál objektumokhoz, vektorokhoz és táblákhoz. A blog szerint a nyers fájlok, például dokumentumok, képek, hangok és videók objektumként, a beágyazások vektorként, a strukturált metaadatok pedig táblaként tárolhatók ugyanabban a bucketben.

Az Alibaba Cloud azt is hozzáteszi, hogy fejlettebb vektoros terheléseknél, például összetett hibrid keresésnél vagy finomhangolt indexvezérlésnél továbbra is indokolt lehet dedikált vektoradatbázis használata, eseti mérlegeléssel.

CPFS és AgenticFS: tréninghez és ügynökös sandboxokhoz

A CPFS, vagyis Cloud Parallel File System a nagy léptékű AI-tréningklasztereket célozza, a forrás megfogalmazása szerint több száz GPU-tól több millió GPU-ig. Az Apsara 2026-on bejelentett új generáció 100 TB/s szintű összesített áteresztőképességet ígér fájlrendszerenként, több százmillió IOPS mellett.

A CPFS egyetlen fájlrendszerben legfeljebb 100 PiB kapacitást kínál, ami a bejegyzés szerint ötszörös növekedés. Az Alibaba Cloud 50 százalékos modellindítási időcsökkenést, 30 százalékos csúcsterhelés melletti számítási kihasználtság-növekedést és 69 százalékos AI-tárolási költségcsökkenést közöl.

A vállalat szerint a CPFS egyetlen forró adatrétegként használható tréningadatokhoz, checkpointokhoz és köztes eredményekhez. A 100 PiB-os egyfájlrendszeres méret miatt a legtöbb tréningklaszter egy névtérben működhet, külön adatdarabolási és több fájlrendszeres elhelyezési logika nélkül.

Az AgenticFS a NAS termékcsaládba tartozó fájltárolási szolgáltatás, amelyet kifejezetten Agent Sandbox környezetekhez terveztek. A forrás szerint ezek a környezetek Container Compute Service, ACS, valamint Function Compute, FC alatt futnak. A terméket az Alibaba Cloud új megoldásként írja le, amelyet ügynökös sandbox terhelésekhez építettek.

Mit jelent ez a felhasználóknak és a piacnak?

A bejelentés fő üzenete, hogy az Alibaba Cloud az AI-tárolást nem egységes infrastruktúraként kezeli, hanem munkafolyamatonként külön optimalizálja. A KVCacheStore a következtetési késleltetést és a GPU-memória terhelését célozza, az OSS Tables a RAG-architektúrák egyszerűsítését, a CPFS pedig a nagy tréningklaszterek adatmozgatási igényét.

Felhasználói oldalon ez a forrás alapján kevesebb különálló tárolási komponenssel, egyszerűbb adatkezeléssel és jobb erőforrás-kihasználással járhat azoknál, akik Alibaba Cloudon építenek AI-rendszereket. A piaci szempont az, hogy a felhőszolgáltatók AI-infrastruktúrája egyre inkább külön rétegekre bontja a tanítást, a következtetést, a RAG-folyamatokat és az ügynökös futtatást.