尽管两家芯片制造商都交出了亮眼的季度财报,收入超出预期,并对当前季度给出乐观指引,Qualcomm Inc. 和 Arm Holdings Plc 的股价在今日晚间交易中仍出现下跌。
就 Qualcomm 而言,其业绩表现出色。在扣除股票补偿等特定成本前,第一财季每股收益达到 3.41 美元,营收同比增长 18% 至 116.7 亿美元。这些数据远超华尔街预期,分析师此前预计公司每股收益仅为 2.96 美元,营收为 109.3 亿美元。Qualcomm 的净利润同比增长 15% 至 31.8 亿美元。
对于当前季度,Qualcomm 预计每股收益在 2.70 至 2.90 美元之间,营收预期在 102 亿至 110 亿美元之间。这些数字再次超出预期,华尔街此前预计每股收益为 2.69 美元,营收为 103.4 亿美元。
Qualcomm 首席执行官 Cristiano Amon 表示,公司营收创下季度新高,这得益于强大的技术实力、产品路线图以及客户需求的共同推动。
纵观公司业绩,并未发现明显问题,但投资者似乎并不满意,公司股价在盘后交易中下跌超过 4%。
公司表示,其主要业务 QCT 部门实现营收 101 亿美元,同比增长 20%,这要归功于所有主要终端市场的增长。
智能手机是 Qualcomm 最重要的市场,该领域销售额增长 13% 至 75.7 亿美元,超过华尔街预期的 70.4 亿美元。
公司还向汽车行业供应芯片,该业务增长强劲,增幅达 61%,实现销售额 9.61 亿美元。这是 Qualcomm 相对较新的市场,公司在 Amon 接任领导职务后才开始从手机业务转型。
"我们在多元化发展方面取得增长,并将继续致力于实现 2029 财年非手机业务营收达到 220 亿美元的目标,"Amon 在声明中表示。
在分析师电话会议上,Amon 解释说,公司手机业务受益于中国"高端"智能手机的强劲需求,以及三星电子新旗舰 Galaxy 智能手机的发布,该手机完全采用 Qualcomm 处理器。
在会议的广泛讨论中,Amon 还赞扬了中国人工智能初创公司 DeepSeek Ltd. 的崛起,认为这对公司来说是个好兆头。他指出,考虑到 DeepSeek-R1 大语言模型的高效性,Qualcomm 处理器完全能够在智能手机上本地运行该模型。
"AI 模型发展速度更快,变得更小、更强大、更高效,现在可以直接在设备上运行,"他说。
Qualcomm 的第三大市场是物联网设备,包括工业机器使用的低功耗芯片,以及为 Meta Platforms Inc. 的 Quest 头显和 Ray-Ban 品牌"元眼镜"(一种增强现实设备)提供的处理器。物联网部门还包括为笔记本电脑提供动力的 Snapdragon Elite 芯片销售。
物联网部门总计实现营收 15.5 亿美元,同比增长 36%,其中 Ray-Ban 元眼镜的表现超出预期。"我们对智能眼镜处于拐点初期保持乐观,"他说。
除了销售芯片外,Qualcomm 还有第二个业务部门 QTL,负责为其拥有的数千项无线技术专利进行授权。其专利技术几乎应用于全球所有智能手机,因此该部门为公司带来可观收入。上季度,该部门实现营收 15.4 亿美元。
Armv9 为 Arm 注入强心剂
Arm 高管同样交出了令人印象深刻的业绩和指引,但其股价在盘后交易中仍下跌超过 6%,抹去了当天早些时候的涨幅。
公司报告显示,在扣除特定成本前,第三季度每股收益为 0.39 美元,超过华尔街预期的 0.34 美元。期内营收增长 19% 至 9.83 亿美元,轻松超过 9.49 亿美元的目标。
对于当前季度,Arm 预计营收在 11.75 亿至 12.75 亿美元之间,这与华尔街预期的 12.2 亿美元相比似乎并不占优。
Arm 首席执行官 Rene Haas 在致股东信中表示,营收创下季度新高,这得益于其最先进的 Armv9 芯片架构的快速普及。"凭借高性能、节能和灵活的技术,Arm 在推进 AI 创新和改变从边缘到云端的用户体验方面发挥着关键作用,"他说。
Arm 本身不生产计算机芯片,而是将设计授权给其他半导体制造商和智能手机品牌。去年推出的 Armv9 设计是该公司迄今为止最强大和最高效的架构。与前代 Armv8 技术相比,公司对这一设计收取更高的授权费。
尽管 Arm 长期以来主要专注于智能手机芯片制造商,但 Armv9 架构在高端云服务器芯片制造商中得到快速采用,其客户包括亚马逊云服务公司和微软公司。这些客户使用 Arm 的设计制造搭载超过 100 个核心的服务器芯片。
尽管今日盘后股价下跌,Arm 股价在过去 12 个月仍上涨了令人印象深刻的 137%,大幅跑赢反映更广泛半导体市场的 iShares 半导体交易所交易基金。
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。