至顶网软件频道消息:红帽公司是全球开源、企业级IT解决方案领导者,近日公布其2019财年第一季度财报,该报告截止日期为2018年5月31日。财报显示,第一季度总营收为8.14亿美元,比去年同期增长20%,或以固定汇率计算增长17%。
根据财报信息显示,该公司总营收8.14亿美金,同比增长20%。
其中产品订阅收入7.12亿美金,同比增长19%,其中与基础架构相关的收入5.22亿美金,同比增长14%,与应用开发相关的收入和其他新兴技术产品订阅的收入1.89亿美金,同比增长37%;百万美金级交易65笔,同比增长48%,其中包括了六笔五百万美金级交易和一笔千万美金级别的交易。从业绩表现上来看,红帽公司业绩维持强劲增长态势。
第一季度运营现金流,现金等价物和投资总额为3.46亿美元,同比增长34%。截止2018年5月31日,在第一季度大约回购1.5亿美元,即949000普通股。
红帽执行副总裁兼首席财务官Eric Shander也指出:“2019财年第一季度如预期一样,以众多财务指数的两位数增长开了个好头:同比总营收增长20%,或以固定汇率计算增长17%;在GAAP准则下,第一季度经营性营收增长了25%,或按非GAAP准则计算增长了19%。同时,第一季度还完成了经营现金流34%的增长。此外,我们还实现了百万美金级交易量同比增长48%,这证明了我们向企业用户扩展我们技术环境的能力。三月,我们公布了年度指南,我们相信我们的混合云赋能技术的市场需求依旧强劲。考虑到当下业已成形的外汇汇率的阻力,我们调整了约五千万美金的全年营收,该调整只针对外汇汇率变化。”
此外,红帽2019财年第一季度发布红帽OpenShift on Azure,该平台由微软配置并管理,以降低企业用户容器管理的复杂性。同时扩大了与IBM的合作,将红帽OpenShift容器平台与IBM私有云整合,使IBM的中间件产品以红帽认证容器的方式部署。发布了红帽OpenStack平台13,为企业采用混合云实现数字化转型提供了坚实的基础,最小化他们在高速发展的环境下采用最新科技的困难度,并为他们实现高新技术栈的集成提供帮助。
红帽总裁兼首席执行官Jim Whitehurst表示:“向混合云基础架构转型仍然是我们企业用户的战略优先项。我们的企业用户持续地为其应用采用红帽的云赋能技术,让我们再次在第一季度完成了强劲的营收增长。随着越来越多的企业用户使用Lunix容器,为他们的混合云和数字化转型计划实现应用现代化,我们得以实现在OpenShift技术订阅及服务两大方面的强劲增长。”
值得一提的是,红帽的商业模式是否可行仍在投资圈备受争议,问题是开源的软件产品如何能获利?不过,红帽用事实证明了模式的可行性,直到2016年中期公司季度营收持续保持增长才引发市场的认可和热捧。从产品客户增长、盈利与现金流及估值等各方面看,红帽都是不错的选择。
公开资料显示,至今成立20多年的红帽属标普500指数公司之一,年营收超过20亿美元,为全球35个国家及地区提供软件服务,旗下的开源linux系统被广为免费下载和使用,同时公司进一步通过订阅服务模式针对潜在企业客户提供旗舰产品—红帽企业Linux,此外,公司还通过不断技术创新推出新品,包括用于软件开发的Jboss中间件、云开发平台即服务Openshift、开源云计算管理平台项目Openstack。
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。