戴尔又完成了一个表现扎实的季度,业绩打破的华尔街的预期,而这主要是得益于人们继续在家办公和在家学习的方式推动了对个人电脑的强劲需求。
第三季度戴尔在不计入股票薪酬等特定成本的每股利润为2.03美元,收入同比增长3%达到235亿美元。
这超出了分析师预计的最高水平,此前华尔街预计戴尔的每股收益仅为1.40美元,收入为218.5亿美元。
戴尔副董事长、首席运营官Jeff Clarke表示,戴尔的成功归结于人们对那些有助于远程办公和远程学习的系统“前所未有的需求”。“同时,我们在边缘加速了即服务策略和混合云能力,让我们能够在这些不断增长的市场中取得胜利,让客户能够轻松地管理所有运营中的数据和工作负载”。
疫情对戴尔的客户端解决方案部门来说是个极大的利好,其中就包括了个人电脑的销售。第三季度该部门的销售额为123亿美元,其中消费级业务收入增长了14%,商用业务收入增长了5%。
戴尔表示,商用Chromebook特别受欢迎,收入增长了三位数,Latitude和Precision笔记本也实现了两位数的收入增长,个人电脑部门总计实现了超过10亿美元的营业收入。
图
市场研究公司Wikibon首席分析师Dave Vellante表示:“个人电脑业务一直是戴尔财报的一个亮点。”
戴尔并不是唯一一家受益于PC销量增长的公司,它的主要竞争对手惠普也公布了表现抢眼的第三季度财报,每股盈利62美分,收入152.6亿美元,超出了华尔街预期的每股收益52美分,收入147.1亿美元。
但是戴尔绝不仅仅是一家PC公司,收入中有很大一部分是面向大型企业和中型企业销售的数据中心基础设施。尽管疫情带来了各种不确定性,很多客户一直在削减硬件支出,但戴尔表示,随着员工远程办公趋势的持续,一些客户不得不加大投资力度以确保业务的连续性。
因此,戴尔的基础设施部门表现也不是很糟,该季度收入为80亿美元,同比减少4%。戴尔表示,其中存储销售额为39亿美元,服务器和网络收入为42亿美元。PowerMax服务器和VxRail系统连续第三季度实现两位数的增长。
Pund-IT分析师Charles King表示,戴尔如此成功地利用远程办公趋势的原因之一,是戴尔本身在帮助公司员工在家办公方面就拥有最为灵活的策略。
他说:“这让戴尔能够为那些努力适应疫情的企业分享丰富的经验。此外,戴尔还主动推出了诸多新的服务,例如Project APEX消费模式和付款计划,用于为客户提供他们赖以生存所需的技术。”
Vellante说,考虑目前的疫情,戴尔的表现还会更加出色。他说,早在今年4月的时候,他就认为戴尔很有可能会出现业务萎缩而不会出现持续增长,特别是考虑到戴尔的本地装机基础。但情况并非如此。
Vellante说:“尽管存储业务出现了疲软,但戴尔的表现还是超出了市场的普遍预期。”
而子公司VMware也给戴尔带来了巨大的推动力,越来越多的企业采用混合云运营模式,使得VMware能够为戴尔贡献29亿美元的收入。
Vellante说:“混合云似乎正在不断壮大。我们的数据证实,戴尔对于VMware Cloud on AWS是一个强大的动力,VMware和Dell的本地云解决方案也有突出表现。”
但是,并非所有人都对戴尔的表现印象深刻。Constellation Research分析师Holger Mueller认为,相比2019年前9个月的收入,戴尔还差了15亿美元,而且PC的繁荣以及VMware是无法弥补戴尔基础设施业务的不足的。
Mueller说:“第四季度的出色表现可能会将戴尔整体推入增长领域,但目前主要是在成本方面的改善,销售成本、一般成本和管理成本削减了8%。戴尔面临的挑战是,基础设施部门仍然无法很好地参与到云计算市场中,戴尔向服务模型的过渡可能会起到一定的推动作用,但是从长远来看,戴尔必须找到云市场的入场券,实现AWS、微软、谷歌及其他云基础设施厂商那样的增长。”
话虽如此,Vellante认为,即使戴尔的存储业务仍处于充满挑战的环境中,也仍然有望在长期可持续发展方面处于有利位置。
Vellante表示:“我们将继续观望VMware分拆的结果,因为VMware一直对未来计划有些秘而不宣。”
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。