HPE今天公布了第二季度财报,结果超出预期水平,自2015年以来首次恢复增长,业务重回正轨。
该季度,HPE在不计入股票补偿等特定成本情况下的每股利润为46美分,收入为67亿美元,比去年同期增长11%,这是自2015年与现在的惠普分拆以来,首次实现两位数的收入增长,超出了此前华尔街分析师预期的每股利润42 美分,收入66.2亿美元。
HPE首席执行官Antonio Neri表示,HPE该季度展现了在战略重点上“纪律严明的执行力”。
“我们正在加强核心的计算机和存储业务,重点投入到智能边缘和高性能计算业务上,加速了向即服务模式的转型。此外我们还在推进依云为先的创新进程,以成为客户和合作伙伴边缘到云平台即服务的首选。”
HPE在所有产品类别中实现了全面增长。核心的计算业务(包括企业服务器)收入略低于30亿美元,同比增长12%,相比第一季度的下滑1%有了明显改善。此外,存储系统收入超过11亿美元,增长5%,扭转了上一季度5%的下降趋势。在存储细分市场中,全闪存阵列产品销售额增长了20%,Nimble Storage系统销售额增长了17%。
其他方面,高性能计算和关键任务型系统收入增长了13%至6.85亿美元,扭转了上一季度下滑9%的趋势。智能边缘业务(包括HPE边缘计算系统)的销售额为7.99亿美元,增长17%,金融服务销售额为8.39亿美元,增长1%。
根据HPE财报,该季度基于消费的服务订单比一年前增长了40%,表明HPE向即服务模式的转型正在获得客户的青睐。
HPE补充说,第二季度的年化收入运行率为6.78亿美元,同比增长30%。
Constellation Research分析师Holger Mueller表示:“HPE似乎已经恢复到增长的轨道上来了。所有业务领域都在增长,订阅转型取得良好进展,在控制成本上也有很好的表现。现在最重要的就是保持下去。”
Moor Insights & Strategy分析师Steve McDowell指出,尽管HPE在大多数领域表现出色,但存储业务并没有达到他希望的水平。他指出,HPE在存储领域的主要竞争对手戴尔同期增长了12%。另一家竞争对手Pure Storage上个月公布财报也实现了12%的收入增长。他原本预计的增幅要高于HPE报告的3%,但同时他也承认HPE整体存储业务仍然是健康的。
“一大亮点是全闪存存储,同比增长20%,与戴尔中端全闪存存储的表现是一致。HPE拥有稳固的全闪存产品组合,并受益于全闪存中端市场的强劲需求,这有助于抵消存储业务一些表现较弱的方面,也有助于推动营业利润率的显着提升。”
展望未来,HPE首席财务官Tarek Robbiati称公司将上调全年盈利预测。
HPE预计第三季度每股收益在38美分至44美分之间,华尔街预期的是38美分,全年每股收益在1.82美元至1.94美元之间,高于之前的每股1.70美元至1.88美元。
Robbiati表示:“我们再次提高了全年指引,以反映需求环境的持续势头和我们迄今为止强劲的运营业绩,这标志着自去年10月证券分析师会议以来我们的第三次展望上调。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。