一、大语言模型场景
GooseFSx 加速 LLM 训练和推理的性能；GooseFSx 与数据湖底座 COS 自由流动数据，实现降本增效，通过 GooseFSx 与 COS 自由流动数据，实现 GPU 立即访问 COS 的模型数据、避免昂贵算力等待数据；将 GooseFSx 训练结果，或 checkpoint，按需沉降到 COS，降低整体存储成本。
二、多模态大模型场景
多模态大模型（Multimodal Large Language Model，简称MLLM），是能够处理和理解多种不同类型模态数据（文本、图像、声音、视频等）的人工智能模型。多模态模型的训练和推理过程中，数据复杂度和量级更高，对存储性能需求也随之增高。
GooseFSx 采用专为高性能工作负载设计的全并行架构，所有节点完全对等，满足更高性能需求；GooseFSx 与数据湖底座 COS 自由流动数据，实现降本增效。
三、自动驾驶场景
自动驾驶场景，通过“数据采集-数据清洗/数据预处理-算法训练-仿真测试-OTA升级”几个典型阶段，最终通过远程在线升级系统OTA将新算法投放至智能汽车，数据闭环是驱动自动驾驶技术迭代的核心诉求机制。
GooseFSx 加速数据清洗、算法训练和仿真等关键阶段，GooseFSx 与数据湖底座 COS 自由流动数据，实现一份数据贯穿整个自动驾驶全流程，实现数据闭环，同时实现降本增效。
四、具身智能场景
具身智能（Embodied Intelligence），是指将人工智能技术与具有物理实体的机器人或其他设备相结合，使这些设备能够在现实环境中感知、理解和交互，从而实现自主学习、适应和解决问题的能力。数据闭环是驱动智能体持续进化的核心引擎，通过“感知环境→决策行动→反馈优化”的飞轮迭代，构建仿真与实体交织的双世界训练体系。
GooseFSx 加速数据清洗、训练和仿真，GooseFSx 与数据湖底座 COS 自由流动数据，实现一份数据贯穿整个具身智能开发全流程，实现数据闭环，同时实现降本增效。
五、AI 场景
AI 场景主要涵盖计算机视觉（CV） 与自然语言处理（NLP） 两大领域，分别针对图像与文本数据的分析任务。代表性模型：ResNet50、YOLO、Mask R-CNN、BERT系列等，通常有严苛的实时性要求，尤其在线推理场景，要求毫秒级（ms级）响应延迟。
GooseFSx 采用专为高性能工作负载设计的全并行架构，所有节点完全对等，所有节点完全并行访问，无需转发或跳转，实现亚毫秒级低延时。GooseFSx 与数据湖底座 COS 自由流动数据，实现降本增效。
六、高性能计算 HPC 场景
高性能计算 HPC 场景，如科学研究（如气候模拟、药物研发）、工程仿真（航空航天、汽车碰撞）及能源勘探（地震数据处理）等，依赖超级计算机、高速网络与并行存储技术，高效处理海量数据或高精度计算需求。
GooseFSx 采用专为高性能工作负载设计的并行文件系统，提供超高存储性能，支持在线弹性扩展，实现容量与性能同步线性增长。GooseFSx 与数据湖底座 COS 自由流动数据，实现降本增效。