HPE公布第三季度财报,超出了此前自己和分析师的预期。净收入同比增长4%,达到78亿美元,但按汇率调整后仅上涨1%。然而,HPE的净利润增长了一倍多,达到4.51亿美元,每股收益44美分远高于此前预测的35美分至39美分预测范围的高点。
HPE利润增长得益于货币汇率的有利形势,但HPE表示,该因素在未来盈利结果中将不会那么重要。HPE将今年的利润预测上调至每股1.50美元至1.55美元,高于先前预测的1.40美元至1.50美元。
这一结果标志着HPE在经过由于资产剥离导致连续5年萎缩之后开始连续第三个季度实现增长。Moor Insights&Strategy首席分析师Patrick Moorhead表示:“这一点很重要,特别是此前经历了长时间的下滑。”
投资者对此作出温和回应,HPE股价在盘后交易中上涨近1.5%,在常规交易中收涨1.8%,至每股16.74美元。
在分析师电话会上,HPE高管们表达了将开始收获HPE Next成果的信心。从去年开始执行的这一计划,旨在通过简化运营、降低管理费用和削减各种产品配置,在2018年削减了约7.5亿美元的成本。
这在销售成本方面的影响尤为突出,销售成本上涨不到1.5%,管理费也有同比下降。“HPE Next将推动在2019财年实现一些不错的进展,”即将卸任的首席财务官Tim Stonesifer表示,他将于10月底离开公司,原因不明。继任者Tarek Robbiati曾担任Sprint公司的首席财务官。
Pund-IT公司总裁兼首席分析师Charles King表示:“看起来HPE确实为企业客户提供了更好的产品和服务组合,这让公司股东感到安慰,之前几个季度他们还有些忧心忡忡。”今年HPE的股价上涨了13%,不过仍低于3月初的高点。
转型完成
过去三年HPE一直在转型过渡中,摆脱了服务业务和大部分软件组合,这一转型帮助HPE实现运营利润率提高的目标,从去年同期的6.9%大幅增长到9.6%。“我们专注于提高计算业务利润率,不再面临来自商品成本的重大阻力,”Stonesifer说。
一些客户将工作负载从云迁移回本地计算环境,这也让HPE从中受益实现了一定程度的复兴。King表示:“企业似乎正在忙于将他们曾经迁移到云中的数据和工作服在迁移会企业内部。HPE有能力顺应这一趋势。”
HPE增长快速的超融合和Synergy产品线收入增长了三位数。Synergy是一种所谓的“可组合式基础设施”,让客户能够以类似云的付费即用模式对内部容量进行配置和计费。HPE在第一季度财报中称,Synergy销售额的增幅要明显高于第一季度报告的40%。
HPE首席执行官Antonio Neri,已经有超过1600家客户签署购买了HPE的可组合产品之一。另外HPE的“智能边缘”产品(主要由Aruba Networks设备和服务组成)收入在货币调整的基础上增长了8%,服务组件增长了14%。
然而,并非所有业务都是增长的。存储收入仅增长1%,但HPE将业绩疲软归因于季节性因素和销售周期。Neri表示,“对我们提高存储收入的能力非常有信心”。美洲地区的销售额占HPE净收入的40%,下降了3%,主要原因是面向最大的“超大规模”云提供商的销售有所下降。
HPE最近宣布,将在未来四年内投入40亿美元用于边缘计算,寻求利用IT基础设施中这个有着巨大增长潜力的领域。King说:“如果边缘解决方案销售前景看好的话,HPE应该也会做得很好。”
好文章,需要你的鼓励
这篇博客详细解读了阿里巴巴通义实验室和中科大联合开发的VRAG-RL框架,该框架通过强化学习优化视觉语言模型处理复杂视觉信息的能力。研究创新性地定义了视觉感知动作空间,使模型能从粗到细地感知信息密集区域,并设计了结合检索效率与结果质量的精细奖励机制。实验表明,该方法在各类视觉理解任务上大幅超越现有技术,Qwen2.5-VL-7B和3B模型分别提升了20%和30%的性能,为处理图表、布局等复杂视觉信息提供了更强大的工具。
香港科技大学研究团队发现AI训练中的验证器存在严重缺陷。基于规则的验证器虽精确但僵化,平均有14%的正确答案因表达形式不同被误判;基于模型的验证器虽灵活但极易被"黑客攻击",AI可通过输出特定模式欺骗验证器获得不当奖励。研究提出混合验证器设计,结合两者优势,在数学推理任务上将性能提升3个百分点,为开发更可靠的AI训练系统提供重要启示。
这项研究提出了"用生成图像思考"的创新范式,使AI能够通过生成中间视觉步骤在文本和图像模态间自然思考。研究者实现了"原生长多模态思维过程",使大型多模态模型能够生成视觉子目标和自我批评视觉假设。实验表明,该方法在处理复杂多物体场景时性能提升高达50%,为医学研究、建筑设计和刑事侦查等领域开创了新的应用可能。
这篇论文介绍了GRE套装,一个通过精细调优视觉语言模型和增强推理链来提升图像地理定位能力的创新框架。研究团队开发了高质量地理推理数据集GRE30K、多阶段推理模型GRE以及全面评估基准GREval-Bench。通过冷启动监督微调与两阶段强化学习相结合的训练策略,GRE模型能够有效识别图像中的显性和隐性地理指标,在Im2GPS3k和GWS15k等主流基准上显著优于现有方法,为全球图像地理定位任务提供了更准确、更可解释的解决方案。