HPE不仅公布第一季度盈利超出预期,而且提高了全年利润预期,这让HPE股票在盘后交易中上涨超过3%。
该季度HPE每股盈利42美分,同比增长31%,超过分析师预期的35美分。
季度收入较去年同期下降2%,至76亿美元,但HPE表示这是受到了“一级产品”——也就是商用硬件——的拖累。如果不考虑这些低利润的业务,HPE称销售额增幅为1%,而硬件销售额增长3%。
也许让投资者感到最为鼓舞的是,HPE将全年盈利预期从上一季度的1.51美元至1.61美元,提高到每股1.56美元至1.66美元,这也是HPE连续第五个季度提高预期。
Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示:“从财务角度来看HPE的表现是非常出色的,但并没有得到应有的赞誉。”
收入的下滑打破了HPE在经过了大部分服务和软件业务剥离的五年之后所实现的连续四个季度收入增长。在季度财报电话会议上,HPE高管们多次用“在重要方面取胜”这句话来描述HPE的高利润策略。
这种策略的红利在较高盈利能力指标方面体现得很明显,例如现金流和营业利润率,分别增长了169%和22%。营业利润增长了19%,远高于上一季度设定的6%至8%目标。尽管近期IT支出普遍放缓,但HPE高管表示,在可预见的未来HPE业务看起来是很强劲的。
可组合计算、超融合基础设施和闪存存储阵列等增长型市场继续保持强劲势头。Synergy是HPE软件定义的可组合式平台,在推出两年后销售额达到10亿美元,HPE超融合投资组合也增长了70%,HPE首席执行官Antonio Neri表示。全闪存阵列的销售额增长了20%,整个高性能计算业务的销售额增长了50%。
虽然利润率增加了,但混合IT(目前是HPE最大的一类业务)收入下降了3%。首席财务官Tarek Robbiati表示,最高利润率仍然受到低利润硬件产品的“稀释”影响,这些产品在投资组合中所占的比例在不断减少。Robbiati表示,第一季度的稀释程度高于预期,但未来应该会低于预期。
Moorhead表示:“HPE仍有很多工作要做,以便从超大规模数据中心业务中解脱出来,经连续五个季度以来这部分业务已经成为服务器的一个整体拖累。”
Constellation Research首席分析师兼副总裁Holger Mueller表示,恢复这块业务的增长是重中之重。“积极的势头正在放缓,HPE必须在混合计算市场实现增长,以恢复健康的增长。”
由Aruba网络设备和服务主导的智能边缘业务收入仅增长了不足5%,占总收入的9%。但Neri强调了该业务的长期战略意义,因为未来将有更多的处理任务流向网络边缘。
他说:“我们看到云的扩展将延伸到数据生成的地方。”11月宣布对Aruba产品线进行的广泛更新,将在今年给HPE智能边缘业务带来抢眼的业绩。
“我们在客户所有基础设施和云之间连接所有客户数据的独特能力,是一个重要的差异化因素。我们的Aruba业务在客户预定方面表现抢眼,我们对新产品也非常看好。”
Mueller表示,由于HPE完全错过了在公有云基础设施市场中的机会,因此加码智能边缘就是一个很明智的策略。“现在,这个策略就是要维持混合IT业务,与公有云厂商保持合作伙伴关系。”
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。