戴尔宣布,私募股权公司Francisco Partners和TPG Capital将以40亿美元的价格收购戴尔旗下的Boomi集成平台即服务(iPaaS)业务。
戴尔首席运营官Jeff Clarke在本周日发表的声明中称:“这项拟议的交易将推动Boomi实现下一个阶段的增长,对双方公司、我们的共同客户、以及合作伙伴来说,都是一个正确的选择。”
他说:“对我们而言,我们专注于继续实施核心基础设施业务和PC业务的现代化,来推动进一步的增长。”卖掉Boomi业务将让戴尔释放出更多资源,进一步投资核心业务,同时为偿还400多亿美元债务提供一部分新的资金。
戴尔目前资产负债表上的大部分债务都是源自于2015年对存储设备制造商EMC的收购,这次收购交易中还包括了EMC的虚拟化子公司VMware和网络安全业务RSA。2020年戴尔将RSA出售给了以私募股权公司Symphony Technology Group为首的财团。上个月,戴尔宣布计划以90亿美元的价格分拆VMware。
Boomi并没有和VMware和RSA一样通过收购成为戴尔的一部分,而是在五年前被戴尔单独收购,这笔收购当时可能并没有对戴尔的资产负债表产生太大影响:因为Boomi在收购前仅筹集了约500万美元的资金,戴尔方面也没有透露收购的金额,而这通常表明交易规模是有限的。
在加入戴尔大家庭之后,Boomi成长为数据集成市场的主要参与者,拥有包括15000多家企业组织(包括许多大型企业)的客户群。Boomi的iPaaS平台——AtomSphere让企业可以更轻松地在他们的记录系统之间共享信息。零售商则可以使用AtomSphere平台将购买日志从电子商务后端转移到销售分析工具里,医疗企业则可以使用该平台在内部医疗应用之间同步患者记录。
Boomi的目标是利用其软件将建立数据集成所需的时间从数月缩短至数周。AtomSphere是通过减少过程中涉及的编码量、让工作人员通过拖拽界面(而不是集成的开发环境)进行集成来做到这一点的。
Boomi还涉足了数据管理市场的一些周边领域。除了创建集成之外,Boomi的软件还可用于与企业供应商共享信息和建立数据目录之类的任务。
私人股权投资公司Francisco Partners与TPG Capital一起收购Boomi,这种模式对于涉及戴尔子公司的交易来说并不陌生。2016年Francisco Partners与Elliott Management合作收购了戴尔的SonicWall和Quest业务,前者主要销售网络安全产品(例如防火墙),后者主要提供管理数据库和其他IT资产所用的软件。
自从Quest被转移至私人股本所有权下以来,至少已经进行了四次收购以发展其业务。私募股权公司通常会在收购了一家公司之后,帮助领导团队实施新的增长战略,以加快收入增长势头,从而帮助新的所有者获得更大的投资回报。
TPG合伙人Nehal Raj、负责人Art Heidrich在一份声明中表示:“我们期待与Boomi和Francisco Partners的团队合作,加速该公司作为一个独立实体的未来发展。”
戴尔表示,预计将在年底前完成Boomi的出售。摩根士丹利公司和DBO Partners将担任此次交易的财务顾问。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。