VMware公布的第一季度财报显示,收入和收益均超出了华尔街的预期,但并未让投资者感到满意,VMware股价在盘后交易中下跌超过3%。
但是没有任何迹象表明VMware从虚拟机管理程序或虚拟机制造商向多云和混合云战略赋能者的转型有什么不妥。
该季度VMware的收入同比增长12.8%达到22.7亿美元,略低于市场预期的22.5亿美元,增幅略低于上个季度的13.5%。
每股1.32美元的调整后收益比市场预期高出了4美分,但略低于VMware过去四个季度6%的平均收益。许可收入增长了12%,达到8.69亿美元。
Moor Insights&Strategy分析师Patrick Moorhead称VMware的收入增幅“令人印象深刻”,当前VMware核心的虚拟机管理程序业务增长平平,因此VMware调整战略将重点放在了多云和混合云赋能上。“很多业内人士认为VMware是一家老公司,但现在它正在成为一家本地云计算公司。”
Forrester分析师Glenn O’Donnell对此表示认同。他认为,VMware首席执行官Patrick Gelsinger和他的团队“继续执行的计划试图让那些说VMware鼎盛期已经过去的批评者们闭上嘴。客户从VMware那里不断购买产品,而且购买大量的产品”。
Gelsinger表示,VMware通过与微软合作完成了几笔交易,并且在最近推出了VMware Cloud on Dell EMC。他说:“我们正在持续扩展面向混合云和多云环境的平台,这些平台变得越来越重要且更具战略意义,”这里他提到了VMware已经与三大公有云巨头中的前两个达成了联盟。
有分析师提出VMware未能实现23%的收入增长,并问及许可收入增长是否开始下滑。Gelsinger解释说,这一变化是由于面向混合云和多云合同的软件即服务产品销售增长加快所导致的,这部分合同增加了35%。
“许可预订转化为收入的速度要快于SaaS预定。你会看到有越来越多的SaaS预订,然后收入不断增加。”
VMware没有按产品线公布财报结果,但VMware高管们表示,公司的多元化战略正在取得成效。NSX网络虚拟化软件许可证预订量增加了40%,该季度十大交易都涉及了NSX。vSAN存储虚拟化软件销售额增长了50%,客户数已经超过20000家。该季度的十大交易中有9个涉及最终用户计算产品,该类别下超过半数的预定都是即服务的形式售出的。
Forrester的O'Donnell表示:“增长来自云合作伙伴关系、软件定义网络和vSAN,其中vSAN已经成为快速扩张的超融合基础设施市场的一个主要力量。技术的未来是基础设施和应用的无缝融合,这同样重要。”
vRealize混合云套件以及CloudHealth Technologies(VMware在去年夏天收购)的多云运营平台推动VMware云管理软件销售实现强劲的两位数增长。Gelsinger表示,VMware让客户更易于更易于采用多云的战略正在取得成效。
他表示,即便是容器——曾经被视对VMware虚拟化业务构成重大挑战的便携式软件环境——也带来了新的机会。容器“带来了奇妙的情况,它对业务的影响很小,但是势头却很猛,就像是未来二十年的Java”。他说,VMware现在是Cloud Native Computing Foundation基金会Kubernetes容器编排项目的第二大贡献者。
总体来看,VMware继续在基础设施这个近期出现了增长放缓迹象的市场中继续逆风而行,那么VMware该做些什么来保持这种势头?
Pund-IT首席分析师Charles King表示:“或多或少还是要继续提供自Gelsinger担任CEO以来的所有产品。VMware已经成为一个在发展过程中了解并发挥其优势的企业的典范,这对于VMware及其股东来说很可能仍将是取胜的一条路径。”
好文章,需要你的鼓励
这项研究探索了语言神经元视角下多语言对齐如何增强大语言模型(LLMs)的多语言能力。研究团队提出了一种更精细的神经元识别算法,将激活神经元分为语言特定、语言相关和语言无关三类,克服了现有方法的局限性。基于这种分类,研究将LLMs多语言处理过程划分为四个阶段:多语言理解、共享语义空间推理、多语言输出空间转换和词汇空间输出。通过分析对齐前后不同类型神经元的变化,发现多语言对齐促进了更多语言相关神经元的共享使用,减少了对语言特定神经元的依赖,这也解释了"自发多语言对齐"现象。
这项由弗吉尼亚大学与Adobe研究院合作的研究突破了传统图像到视频生成的空间限制,提出了"Frame In-N-Out"技术,使物体可以自然地离开画面或新物体能够进入画面。研究团队创建了专门的数据集和评估方法,并设计了一种融合运动控制、身份参考和无边界画布的扩散变换器架构。实验结果表明,该方法在生成质量和控制精度上显著优于现有技术,为电影制作和创意内容创作提供了新可能。
浙江大学研究团队开发了首个评估视觉语言模型多视角空间定位能力的综合基准ViewSpatial-Bench,并揭示了现有模型在视角转换理解上的严重缺陷。通过自动化3D标注流水线构建的大规模数据集,他们训练出的多视角空间模型(MVSM)实现了46.24%的性能提升,为人机空间交互提供了新的解决方案,使AI系统能更好地理解人类视角下的空间关系,促进更直观的人机交流。
ByteDance团队提出的DetailFlow是一种创新的图像生成方法,通过"下一细节预测"策略实现从粗到细的自回归生成。它将图像编码为仅需128个令牌的1D序列,比传统方法少5倍,却实现了更高质量(2.96 gFID)和更快速度(提速约8倍)。该方法巧妙地模拟人类创作过程:先勾勒整体结构,再逐步添加细节,并通过自我纠错机制解决并行推理中的错误累积问题,为高分辨率图像生成提供了高效解决方案。