此前HPE宣布第二财季收入意外下滑15%的消息震惊了投资者,当时HPE首席执行官Antonio Neri向投资者们保证,表现不佳是和新冠病毒大爆发有关的。现在来看,他是对的。
HPE今天公布了第三财季的利润和收入,虽然低于去年同期,但远高于华尔街的预期水平。Neri在财报电话会上和其他高管强调将这一结果与上个季度(而不是去年同期)进行对比的重要性,相信大家很容易明白其中的原因。
该季度,HPE的利润同比减少近30%,至每股32美分,收入下滑5%,至68.2亿美元。然而,利润和收入均远好于此前分析师预期的每股23美分和收入60.6亿美元,同时相比上个季度的22美分和60亿美元也有强劲的增长。这也使得HPE股价在盘后交易中增长5%多。
HPE高管表示,HPE此前所做的关于计划在2022年底过渡到100%软件即服务模式的大胆声明,是很先见之明的。该季度HPE的即服务产品年化运营率为5.28亿美元,增长了11%,提供本地基础设施即服务的GreenLake平台销售额增长了82%。
“渡过疫情期并且为后疫情时代进行规划,这促使客户需要即服务产品、安全连接、远程办公能力和数据分析从数据中获得洞察,这一我们的战略是一致的,”Neri表示。
此外,HPE将第四财季的每股收益预期下调至每股盈利32至36美分,高于分析师的31美分,还将全年指引提高至每股1.30美元至1.34美元之间,高于市场普遍预期的1.21美元。
“赌注型公司”
Moor Insights&Strategy分析师Patrick Moorhead表示:“GreenLake是一个‘赌注型公司’,很高兴看到这块业务表现良好。围绕服务进行重新定位总是一件很痛苦的事情,但是到目前为止,HPE的表现令人钦佩。”
该季度,HPE计算业务的收入为34亿美元,与去年同期持平,但比上一季度增长29%,这是由于HPE有一笔5亿美元的未交付订单,而且市场对于虚拟桌面基础架构的需求呈现激增态势。该季度,HPE的存储销售额下降了10%,至11亿美元,但比上一季度增长了4%。
Pund-IT分析师Charles King表示:“HPE该季度服务器收入持平,存储收入下滑,但成功地削减了开支并改善了供应链执行情况,增加上市场对GreenLake云解决方案的需求激增,所以可以看到这对HPE来说是一个业绩大大好于预期的季度。”
该季度HPE的毛利率为30.4%,比去年同期的33.9%有所下滑,但首席财务官Tarek Robbiati将下降的原因归结为公司削减了积压的、低利润的计算机出货量。Neri表示,对积压订单进行归一化处理之后,前几个季度存储和计算业务的毛利率都有所增长。自由现金流增加了43%,达到9.24亿美元。
HPE高管们表示,公司的财务状况长期稳定,得益于“投资组合的简化和客户参与度的改善”,到2022年底,预计每年至少可节省8亿美元,让HPE从中受益匪浅。Robbiati补充说:“最重要的是,我们拥有强大的现金状况和充足的流动性来运营我们的业务,并继续投资于我们的业务。”
Neri也对HPE长期看好。他说:“客户正在寻求加强自身运营能力,而IT在其中发挥着巨大的作用,特别是在增强弹性方面。因此,HPE将越来越强大,我们有信心在未来做到稳定的增长。”
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。