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
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。