Oracle第二财季业绩表现抢眼,业绩和营收均高于预期,云业务也超出预期。该公司公布第二季度净收入为22亿美元,折合每股收益52美分,营收96亿美元,同比增长6%。本季度非GAAP收益为每股70美分。
华尔街预计第二季度每股收益68美分,营收95.7亿美元。在财报出炉之前,分析师们正在密切关注云预订。去年11月7日通过的对NetSuite的收购已经满了一周年,这使得软件即服务(SaaS)在未来几个季度的增长更加困难。
JMP Securities的分析师Patrick Walravens表示,投资者期望云预订增长超过40%,收入增长在40%至45%之间。分析师也对数据点感兴趣,这些数据显示,Oracle正在与亚马逊网络服务(AWS)、谷歌和微软在基础设施即服务方面展开有效竞争。
甲骨文的云业务总收入为15亿美元,比去年同期增长了44%。其中,11亿美元的销售额来自软件即服务,平台和基础设施即服务为3.96亿美元,同比增长21%。
本季度云和本地软件收入为78亿美元。
Oracle表示,其云业务正在“形成良好的势头”,首席执行官Safra Catz预计该业务表现良好。联合首席执行官Mark Hurd也表示,Fusion ERP和Fusion HCM SaaS套件的销售额在本季度上涨了65%。在与分析师的电话会议上,Hurd还强调了数据库市场份额。
与此同时,Hurd表示,Oracle正在保持其数据库的份额,并在竞争中发起了一些进攻。Hurd表示:
让我告诉你谁没有离开Oracle。你听说过的一家公司在上个季度又给了我们5000万美元。这家公司就是亚马逊。他们并没有离开Oracle。Salesforce并没有离开Oracle。我们的那些不怎么喜欢我们(他们也没有理由喜欢我们)的竞争对手继续投资,并且在Oracle上运行他们的整个业务。我不知道有谁离开Oracle了。也许Mark知道,也许Safra知道。但是亚马逊——你会认为亚马逊真的想要离开。让我告诉你另一家没有离开Oracle的公司:SAP。他们有一个名为HANA的数据库。他们想要迁移SuccessFactors。他们一直试图从Oracle离开有五六年了。所有SAP的大客户都运行在Oracle上。亚马逊继续购买Oracle的技术来运营他们的业务。Salesforce则完全运行在Oracle上。来吧,你来告诉我还有谁想要离开Oracle。
展望未来,Oracle和专注于该公司的分析师预计,在甲骨文全球大会(Oracle OpenWorld)上描述的自主数据库将推动这家公司的发展。
在Oracle的自主数据库方面,首席技术官Larry Ellison表示,它将在1月份发布。他说:
我们预计这项新技术将极大地推动PaaS和SaaS业务的增长,并保持我们的数据库授权业务保持强劲。人们正在购买数据库授权以在本地和云端运行。你可以在各种环境选择中运行它们,无论是在本地还是在云端。
至于前景,Catz表示第三季度收入增长将在2%至4%之间,按恒定货币计算,非GAAP每股收益为68美分至70美分之间。考虑货币波动,Oracle预计每股收益为71美分至73美分,符合华尔街的预期。
Catz表示,第三季度的云业务总收入预计将增长21%至25%。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。