VMware连续多个季度公布令人惊喜的抢眼业绩,似乎已经成了家常便饭。今天,VMware发布了超出预期的第二季度财报,有力地证明了VMware向更具可预测的订阅收入模式转型是具有成效的。
该季度VMware的每股收入以1.81美元,比市场普遍预期的1.45美元高出36美分。收入比去年同期增长18%,达到28.8亿美元,超过了分析师预期的28亿美元。
其中,订阅和软件即服务收入增长了44%,达到6.31亿美元,占总收入的22%,这一点对于VMware的长期健康发展来说至关重要。另一方面,许可收入下滑7%,至7.19亿美元,但VMware表示,预计今年晚些时候这部分会有所反弹。VMware严重依赖不稳定的许可证销售,这方面已经落后于其他很多企业软件厂商。
尽管有不少好消息,但VMware股价在盘后交易中下跌了约0.5%。
该季度的业绩表明,VMware在将业务从本地IT基础架构扩展到多云管理、应用现代化、网络、数字安全、超融合基础设施和最终用户计算方面,正在不断取得进展。VMware没有提供具体细节,但提到,去年收购的Carbon Black端点安全产品在订购量方面表现强劲,结果超出预期,并且好于Pivotal软件开发平台、Heptio基础设施自动化平台和Tanzu套件这几个VMware在过去三年内收购的产品。
“第二季度显示了产品和服务多元化的价值,”VMware首席财务官Zane Rowe说。
尽管极力强调VMware在订阅销售方面取得的进展,但首席执行官Pat Gelsinger也警告说,数据中心许可证仍然是公司的重中之重,本地系统仍然具有相当大的价值。随着疫情的消退,“人们会重新审视数据中心,会发现本地部署比公有云要便宜30%到40%,这时候价值就会体现出来。”
Gelsinger说,第二季度VMware签署了22项企业许可协议,价值超过1000万美元,高于去年同期的13项。他说:“这些主要是基于许可的产品,但是同时,订阅和SaaS的战略意义还是很大的。”
VMware表示,随着客户逐渐适应了疫情期间的变化,他们的业绩也会越来越可预测,而且这场危机实际上对VMware的云业务是有利的。
Forrester Research副总裁、研究总监Glenn O’Donnell表示:“VMware是疫情的受益者,它的自动化和安全功能现在是热门商品。”在最新发布的“Forrester Wave:基础设施自动化平台报告”中,VMware被评为最佳供应商。
VMware的收购步伐并没有停止,前不久刚刚宣布计划收购Octarine,一家面向Kubernetes提供网络安全软件的公司。与此同时,VMware还在继续让自己的云合作伙伴关系更加多元化,该季度公布了面向AWS和微软Azure云的性能,上市了一项新的服务,让客户能够将VMware工作负载迁移到Google Cloud Platform。
Rowe说,2016年VMware开始了与AWS的合作,双方的伙伴关系还将持续下去,“Amazon的经销商渠道表现非常好”。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。