Oracle近日公布的第二季度财报好坏参半,未能达到预期,使得股价在延长交易中下跌了3%。
Oracle公司董事长兼首席技术官Larry Ellison表示,Mark Hurd前不久去世后,Oracle目前还没有计划聘请Safra Catz之外的第二位首席执行官。
该季度Oracle在股票薪酬等特定成本之前的利润为每股90美分,收入为96.1亿美元,只同比略微增长了0.5个百分点。此前华尔街预期Oracle在该季度的利润为88美分,收入为96.5亿美元。
该季度Oracle的最大亮点是云服务和许可支持业务部门,同时也是Oracle规模最大的一个业务部门,收入为68.1亿美元,比去年同期增长3%,但略低于华尔街68.2亿美元的预期。在该部门下,Oracle Autonomous Database的云收入翻了一番。
Ellison在一份声明中表示:“Oracle Autonomous Database尽管还处于发展初期,但是已经有数千家客户运行在我们的第二代公有云中。”他说,预计“未来几个月这块业务的增幅将随着我们把运行在Gen2 Cloud@Customer上的Autonomous Database发布到庞大的本地环境中而急剧增加。”
其他业务方面,云许可证和本地许可业务贡献了11.3亿美元的收入,比去年同期下降了7%。硬件收入减少2%至8.465亿美元,服务收入减少1%至8.06亿美元。
Ellison强调了Oracle云企业资源计划产品的增长,其中Fusion ERP收入增长37%,NetSuite ERP收入增长29%。他说,Oracle有机会争夺竞争对手的客户群来进一步发展自己的ERP业务。
Oracle在电话会议上表示:“SAP的很多大客户已经和我们展开合作,制定迁移到Fusion ERP的计划。我们赢得了SAP客户群的青睐。”
除此之外,Pund-IT分析师Charles King认为,Oracle收益超出预期而收入未达目标可绝对不是一个好消息,而且上个季度的业绩也是低于预期的。
King表示:“这显然让Oracle的一些股东感到不安,但是鉴于Oracle的业绩与分析师的期望之间差距很小,所以转而投奔其他厂商也许是一个比较极端的反应。”
说到缓解,King表示,该季度结束的时候Oracle并不是唯一一家遇到难题的厂商,中美持续不断的经济和贸易争端下,很多科技公司都面临挑战。
Constellation Research分析师Holger Mueller认为,Oracle即使在未达到目标的情况下也能很好地保持收入增长,但主要的挑战是如何继续前行。
“显然Oracle确实需要NetSuite,否则业务将会萎缩。硬件、本地许可和服务业务都在萎缩,而且Oracle在EMEA(数据库业务表现抢眼的地区)方面也没有实现增长,这一点令人惊讶,可能是执行方面的问题。这些增长引擎的表现需要摆脱收入线不断萎缩的困境,而这正是Oracle在第三季度和第四季度需要做的。”
该季度Oracle联席首席执行官Hurd英年早逝的消息震惊业界。Oracle在电话会议上表示,公司计划引进一些新人才包括“潜在的首席执行官”,但他说“没有计划设置第二个首席执行官”,这意味着目前公司还将由Catz领导。
同样在该季度,Oracle宣布了与VMware达成重要的合作伙伴关系,使双方共同客户能够构建混合云环境,从而可以在Oracle的云中运行VMware服务。此外,Oracle还在该季度收购了客户忠诚度初创公司CrowdTwist。
Catz向投资者表示,预计第三财季每股收益在95至97美分之间,中位数仅略低于华尔街预测的每股97美分。
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。