- 训练时，GPU 有多少时间在等待数据？
- 推理时，相同上下文被重复计算多少次？
- 业务扩容后，已有缓存还能高效复用吗？
随着大模型走向规模化训练与推理，这些问题正直接影响企业的 AI 投资回报。企业关注的，既是部署了多少算力，更是这些算力能完成多少训练任务、承载多少推理请求，以及产出多少有效 Token。
提升 AI 基础设施效率，存储正在成为关键变量。
2026 年 9 月，IDC 发布《IDC MarketScape：中国人工智能就绪的数据存储基础设施 2026 年厂商评估》（IDC #CHC54132926，2026 年 9 月），焱融科技凭借面向 AI 场景的技术积累与落地能力入选。
目前，包含 IDC 行业洞察、技术买家建议及焱融科技专项分析的报告摘要版已开放获取。 从 AI 原生架构，到模型训练与在线推理的软件体系，这份报告为理解焱融全栈 AI 存储能力提供了第三方研究视角。
AI 存储的价值，要算进 GPU 效率和 Token 成本
IDC 在报告中指出，AI 全生命周期——训练、推理、自主能动性 AI 智能体（Agentic AI Agent）应用三大阶段——已成为技术买家针对存储投资的核心驱动力，竞争焦点正从单一存储性能向全栈数据平台能力转移。
这意味着，AI 存储需要回应一组贯穿业务全流程的需求：训练数据能否及时送达 GPU，Checkpoint 能否高效保存与恢复，推理上下文能否复用，数据能否被持续管理和调用。
围绕这些需求，焱融科技构建了覆盖数据接入、模型训练、推理加速、KV Cache 管理与数据治理的全栈 AI 存储产品体系：
- F9000X Turbo 全闪 AI 存储：为大规模训练、模型 Checkpoint 及高吞吐数据处理提供高速、稳定的数据供给。
- YRCache ContextBox 推理存储一体机：围绕推理 KV Cache 的卸载、共享与复用，降低响应时延，提升 Token 吞吐与算力利用效率。
- DataInsight 数据治理平台：支持多源异构数据的统一纳管与知识库更新，为 AI 应用提供持续的数据支撑。
从训练侧减少数据等待，到推理侧减少重复计算，焱融全栈 AI 存储终结 AI 生命周期中两段最贵的算力浪费。
训练侧：同样吞吐，一半设备，F9000X Turbo 重写训练存储密度
在 AI 训练场景中，存储的首要任务，是让 GPU 不必等待数据。随着训练数据规模和 GPU 集群规模不断扩大，存储系统既需要提供持续稳定的高吞吐，也要应对 Checkpoint 等场景的突发大规模读写。但当性能提升逐渐成为高端 AI 存储产品的基本要求，另一个问题开始变得重要：
达到同样的性能，需要多少台存储设备？
2026 年 9 月，焱融科技发布新一代全闪 AI 存储一体机 F9000X Turbo。产品融合第六代英特尔® 至强® 处理器、PCIe 5.0 NVMe 全闪介质及 400Gbps InfiniBand/RoCE 高速网络，通过软硬件协同优化，实现三节点 540 GiB/s 聚合带宽与 900 万 IOPS，为大规模 AI 训练、模型 Checkpoint 及高吞吐数据处理提供高速数据供给能力。
这组规格落到实际建设里意味着什么？以建设 2PB 全闪可用容量为例，上一代全闪方案单机配置 22 块 7.68TB NVMe SSD 与 2 块 400Gbps IB 网卡，需要 16 台设备。F9000X Turbo 给出两条路径——保持设备规模不变，性能提升 2 倍；或者采用更高密度 NVMe SSD，在满足同等容量与性能需求的前提下，把 16 台压到 8 台，节点数量减少 50%。
相比“堆更多设备获得更高性能”，F9000X Turbo 以“用更少设备实现相同目标”，将高性能存储的竞争进一步推进到性能密度与部署效率层面。对企业而言，这不仅关乎存储系统自身的性能提升，也关乎 AI 基础设施长期建设与运营中的 TCO 优化空间。
在 IDC 的分析中，也关注了焱融 AI-RDSI 解决方案在训练场景的技术优势，包括 GDS、RDMA 支持，以及针对 Checkpoint 突发写入、流式数据加载的架构优化，以及其万卡级训练集群的客户验证与落地经验。
推理侧：让GPU不再重算——YRCache ContextBox推动KV缓存走向共享基础设施
如果说训练侧最贵的浪费是“等数据”，推理侧最贵的浪费则是“重算”。
当长上下文、多轮对话和 Agent 工作流不断发展，推理系统需要处理和保留的 KV Cache 持续增长。这些缓存保存着已经完成的部分计算结果。能否高效保留、及时调用并跨节点复用，直接影响后续请求的响应速度与资源消耗。
但在传统架构下，KV Cache 主要分布在 GPU 显存、主机内存及本地 NVMe 中。缓存容量受单机资源限制，不同推理节点之间的复用也面临障碍；业务扩容或实例调整时，缓存与计算资源的耦合，还会增加调度与管理难度。
焱融 YRCache ContextBox 一体机的核心价值，就是让已有计算结果获得更充分的复用，让有限算力承载更多有效推理。
该产品是国内首个 KV Cache 专属存储产品，同时实现了 NVIDIA CMX 分层缓存架构的工程化落地，基于 DPU 完成缓存卸载，针对 KV Cache 高频、低延迟、高并发的访问特征进行优化，并通过跨节点缓存共享与分层管理，推动缓存从局部资源向可共享、可扩展的推理数据资源演进。
其单台实测带宽达 120GB/s，可支持 20 个推理节点并发接入，缓存容量可扩展至 PB 级；向上兼容 vLLM、SGLang 等推理框架与YRCache、LMCache、Mooncake 等缓存管理软件，向下兼容 NVIDIA 及国产 GPU。
IDC 在报告中明确关注了焱融围绕 KV Cache 构建的多层缓存编排、高并发访问及弹性扩展能力，并分析了其“以存换算”“以存强算”的存算协同技术路径。
这让推理存储的价值进一步落到业务指标上：更短的首 Token 等待时间、更高的 Token 吞吐，以及更充分的 GPU 资源利用。
全栈能力的价值，在真实业务中兑现
从训练数据供给，到推理上下文复用，再到数据管理与治理，焱融科技围绕 AI 工作负载的不同阶段，构建了完善的全栈 AI 存储能力。
该能力也在持续获得市场验证：根据 IDC《中国软件定义存储市场季度跟踪报告，2026H1》，焱融科技 2026 年上半年同比增长 130%，远超行业平均 44.1% 的增速，位居增速第一，并稳居中国全闪文件存储市场前三；目前，焱融全栈 AI 存储已支撑超 10 万卡 GPU 高效运行，客户覆盖互联网大模型、第三方智算中心、金融、智能汽车、AI4S 与具身智能等场景。
放到更大的坐标系里看，AI 基础设施的竞争正在从“堆算力”转向“提效率”。IDC 的这份报告，把“AI 生命周期”和“全栈能力”放到了存储投资的核心位置。沿着这条链路，存储厂商要交的是一份覆盖训练、推理、治理的长期账本——每一段等待被消掉多少，每一份算力被用出多少。
扫描下方二维码获取报告，了解焱融 AI 原生架构、训推存储能力与生态适配优势。
