VMware发布的第一季度财报业绩,突显了VMware正在向订阅销售模式转型方面所取得的进展,以及企业数据中心展现出的惊人弹性。
该季度VMware的收入为29.9亿美元,高于分析师预期的29.5亿美,每股收益为1.76美元,超出预期4美分。这两个数据并不令人意外,因为两周前VMware宣布任命Raghu Raghuram为首席执行官时就预告了业绩情况。
该季度VMware订阅和软件即服务许可收入组合同比增长了12%,VMware高管重申,公司有望在年底之前将大部分产品转换成订阅或者SaaS模式。该季度,订阅和SaaS的经常性收入增长了30%,达到30亿美元。
最大的惊喜是VMware核心的数据中心产品预订量增长了20%,这一数据打破了关于本地计算正在下滑的看法。
Raghuram说:“我们看到这部分业务表现突出,是因为计算是我们多云产品组合的一个重要组成部分。客户正在云、数据中心和边缘位置进行部署,他们要寻找最能满足这些需求的平台。”
Raghuram表示,VMware预计市场需求将不断回升,因此还将加大对核心计算产品组合的投入力度。“我们已经加速了在核心计算方面的创新速度,不仅是vSphere 7,还有与Nvidia这样vSphere可作为企业AI黄金平台的合作伙伴关系。”
VMware临时首席执行官Zane Rowe表示,这些数字表明客户已经开始反思疫情带来的变化了。他说:“我们看到普遍的乐观情绪,预示着对我们核心产品的利好,未来是光明的。”
提高预期
此外,VMware还调高了今年的财务预测,预计收入为128亿美元,调整后的每股收益为6.88美元,高于此前127亿美元和每股6.68美元的预期。展望下个季度,VMware预计收入为31亿美元,调整后的每股收益为1.62美元。
尽管业绩强劲并提高了预期,但VMware股价在纽约证券交易所的盘后交易中仍下跌了1%以上。
Forrester.研究主管Glenn O’Donnell对VMware数据中心业务的激增并未感到惊讶。他说:“由于疫情、云计算和其他因素,去年数据中心市场确实遭受了冲击。但随着市场复苏,很多抑制的需求开始释放。”
VMware表示,计划于今年晚些时候从戴尔公司分拆出来,届时将获得更高的自由度。 Raghuram说:“我们与戴尔长期以来一直保持良好的合作关系,我们已经将双方之间的关系形成于一份商业协议中,预计分拆之后我们将继续保持牢固的关系。”
但同时VMware希望在分拆之后能够拥有更大的灵活性,可以与戴尔的竞争对手合作。Rowe说:“我们预计分拆将使我们能够继续保持与戴尔的关系,但同时也可以进行更广泛的合作。”
O’Donnell认为VMware希望在年底前全面转为订阅模式的目标是“很有野心的”,但从整个产品系列来看也许是不切实际的。“某些软件理所应当是一种服务,但VMware也要把VMware以即服务的形式售卖吗?这几乎是不可能的。”
尽管如此,Raghuram表示,对于VMware把所有产品的控制平面转移到云端的计划来说,这个转变是一个自然而然的结果。他说:“我们将转换所有本地环境的产品,让我们能够在云端对其进行控制。因此,我们所有的产品都将能够以订阅或者SaaS的模式提供给客户。”
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。