至顶网软件频道消息:红帽股票在盘后交易中大幅跳水,此前红帽公布的收入预期低于分析师的预期。
刚刚结束的这个季度,红帽的表现超过了分析师的预期,每股盈利72美分,好于市场普遍预期的68美分。收入增长20%,达到8.14亿美元,连续第四个季度增长20%或更高,同时也高于预期。
然而令人吃惊的是,相比上一季度预测的34.25亿美元至33.35亿美元,全年收入预计减少5000万美元。红帽将其归咎于今年秋季的货币汇率,并重申早前预测今年收入增长16%至17%,但投资者猛烈抨击该股,使其在盘后交易中下跌超过10%。
投资者还关注第一季度的7.09亿美元的帐单,也低于此前普遍预期的7.25亿美元。此前红帽发布的第二季度预测报告,称每股收益可能为81美分,略高于去年同期的77美分,但远低于市场普遍预期的89美分。
红帽试图通过宣布计划回购价值10亿美元的股票来缓解这一坏消息,并称其长期前景依然强劲。红帽首席财务官Eric Shander说:“没有任何迹象表明红帽 Enterprise Linux业务整体放缓。”
Pund-IT总裁兼首席分析师Charles King表示,投资者们似乎受到最近Raymond James报告的影响。该报告称,随着客户越来越多地转向基于云的服务和容器,他们可能会推迟采购红帽传统的中间件解决方案。红帽显然是云计算和容器领域的一个重要参与者,但问题是红帽如何有效地维持与现有客户的关系,同时寻求新的收入机会。”
红帽高管也许不会反驳King的分析。Shander表示,客户向容器技术的迁移要比预期得快,这给红帽短期业务造成了一定的压力。容器是轻量级的虚拟机,可以在多个平台之间轻松部署和移动,从而避免使用某些基础设施软件。
尽管短期内收入受到冲击,但红帽一直在鼓励这种转变。Shander说:“这不是收入上的损失,这是一个暂停,因为客户要考虑如何将他们的环境容器化。这是重大的技术决策。随着客户将更多的应用转移到容器,这将有利于中间件和红帽整体的业绩表现。”
实际上红帽第一季度的表现相当不错,按固定汇率调整后收入增长70%,营业收入增长19%,现金流增长34%。然而,红帽首席执行长Jim Whitehurst表示,红帽在2017年与多家企业客户签署了大单,这从当前季度转移了部分资金,从而减少了收入。
为了证明红帽所具有的弹性,他表示,本季度规模100万美元的交易数量增长了48%,并且有超过100个新客户签署了OpenShift平台即服务,这项业务也被红帽视为未来增长的一个重要引擎。Whitehurst表示,服务收入增长了25%,主要原因在于OpenShift的接受度有所增加。
然而,也有放缓的迹象。红帽核心基础设施相关产品的订购收入仅增长11%,达到5.22亿美元,这在一定程度上抵消了应用开发服务订阅37%的增长。应收账款减少38%,表明公司的管道可能正在减少。
然而Shander将这一下降归因于从第四季度到第一季度收款的一次性转变。他还表示,业务预计在下一季度后将回暖。“进入下半年我们将看到收入继续增长。”
King对于红帽长期前景强劲的说法也表示认同。“云计算迁移和容器化等技术正在影响各种IT厂商。总的来说,红帽似乎可以很好地摆脱这些变化带来的影响,最终比其他许多面临相同挑战的厂商更加繁荣发展。”
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。