今天,VMware宣布从内部选择了一位资深高管来领导公司的重大产品线改造以及即将与母公司Dell Technologies剥离等事宜。
现年58岁的Raghu Raghuram目前是VMware执行副总裁、产品和云服务首席运营官。前任首席执行官Pat Gelsinger在今年1月离任,加入英特尔公司担任CEO,而Raghuram将从6月1日起正式担任VMware CEO一职。根据雅虎金融频道的报道,在Raghuram被任命之前,有多位外部候选人被拒。
Raghuram已经在VMware工作了18年时间,在VMware成立之初就帮助公司扩展了核心的虚拟化业务,领导了软件定义数据中心战略,设计架构了云计算业务,此外还在多个成功的大型收购中发挥了重要作用。尽管如此,仍有观察人士把Raghuram视为一匹黑马。
CCS Insight软件开发研究总监Bola Rotibi说:“此前市场可能一直考虑的人选是[现任首席运营官]Sanjay [Poonen],因为他很有活力。但是不止如此,他拥有对市场的洞察力和认知力,知道公司需要怎么发展。”
“VMware一直是一家以工程设计为主导的公司;Raghuram显然很适合这种模式,他还曾经领导了公司一些战略上最重要的业务,或者担任高管层,”Pund-IT分析师Charles King说。“他是一个不错的选择,我期望他取得成功。”
在Raghuram的领导下,VMware与主要的云基础设施厂商建立了一系列合作伙伴关系,其中包括与AWS达成具有里程碑意义的协议,使其在帮助大型企业迁移到云端方面占据了举足轻重的地位。VMware凭借在数据中心内虚拟化领域的主导地位,将自身定位为公有云的通用入口。
Rotibi说:“Pat推动这一战略的同时,Raghu始终参与其中。他了解VMware。他是否有胆量带领VMware一直保持增长?我认为他能够做得到。”
King认为,VMware选择内部候选人的举动说明该公司对其战略和产品组合充满信心。“你通常不希望局外人接管一支获胜的球队。选择像Raghuram这样经验丰富的高管,意味着VMware将保持稳定的发展。”
最近,Raghuram领导了VMware的Tanzu计划,该计划将许多内部开发和外购的产品捆绑到一个软件包中,面向那些希望围绕云原生策略实现应用现代化的客户。”
Raghuram在声明中表示:“VMware凭借横跨不同云、数据中心和边缘的端到端软件平台,以独特能力引领多云时代,帮助加速我们客户的数字化转型之旅。”
Nucleus Research首席执行官Ian Campbell认为:“把他作为VMware成功的贡献者之一是很公平的。随着分拆迫在眉睫,重要的是要有一位了解VMware核心能力和防御性利基市场的高管,确保VMware不会从哪些已经开始初见成效的项目中分散出更多的注意力。”
其他人员方面,目前担任高级副总裁、首席客户官的Sumit Dhawan将出任VMware总裁,负责监督全球销售、合作伙伴关系、客户体验、市场营销和沟通。曾在董事会寻找继任者期间担任临时首席执行官的Zane Rowe,将重返首席财务官一职。
在VMware工作了7年时间的Poonen即将离开。此前他被视为首席执行官的主要竞争者,他在一份声明中向Raghuram表示了“热烈的祝贺”,并补充说“他将把公司提升到一个新的高度”。
King分析师称Poonen的离职是“一个损失。他一直是VMware领导团队的重要组成部分,但是他在寻找新职位时应该会有很多选择。”
VMware还5月27日正式发布财报之前,于今天早上发布了初步收益估计。VMware预计,基于强劲的订阅和许可收入表现,第一财季的收入和利润将有望超出预期。
VMware预计第一季度收入将达到29.9亿美元,同比增长9.5%。订阅、软件即服务和许可总收入预计增长12.5%,达到13.9亿美元。净收入预计为每股摊薄收益1.76美元。分析师此前预计的每股收益是1.51美元,营收约29.1亿美元。
投资者对Raghuram的任命反应不大,到午盘时,VMware股票下跌了约2.5%,这与纳斯达克当天大盘抛售的趋势是一致的。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。