至顶网软件与服务频道消息: 微软今天发布的第二季度财报表现强劲,不仅突显了微软在商用云和智能云方面的实力,也使微软的股价在盘后交易中上涨近3%。
该季度微软在股票薪酬等特定成本之前的利润为每股1.51美元,收入为369亿美元,比去年同期增长14%。此前华尔街预期的每股盈利仅为1.32美元,收入为356.7亿美元。
强劲的云业务增长对微软来说似乎已经成了一种习惯,过去一年中微软的股价上涨了63%,而这主要是由于Azure公有云基础设施业务以及Office 365和Dynamics 365等软件即服务产品的成功带来的。
在刚过去的这个季度中,Azure收入增长了62%,比去年同期的76%增幅有所放缓,但超出了此前高盛58%的增幅。
微软没有透露来自Azure的实际收入,因此无法与AWS等主要公有云竞争对手进行比较。但是微软方面表示,包括Azure、GitHub、SQL Server和Windows Server在内的智能云业务在该季度贡献了118.7亿美元的收入。
这比去年同期增长了27%,超过了华尔街预期的114亿美元。微软方面表示,智能云业务的增长得益于终止支持Windows Server 2008促使很多客户进行升级。
微软另一个云业务部门,Productivity and Business Processes部门(包括Office 365、Dynamics 365和LinkedIn)的收入为118.3亿美元,同比增长17%。
其他方面,微软最大的业务部门More Personal Computing的收入为132.1亿美元,同比增长1.6%。该部门包括Windows、Surface、Bing和Xbox等产品线,其中Xbox的收入同比减少了43%,这是可以理解的,因为消费者都在等着今年年底微软下一代Xbox游戏平台的发布。
微软终止支持Windows 7操作系统促使微软Windows许可收入猛增,因为很多企业被迫升级到Windows 10。
Moor Insights&Strategy分析师Patrick Moorhead表示,微软延续了过去几个季度的收入增长,云和SaaS的增长再一次表现出色。
Moorhead说:“我认为这要归因于过去五年来云计算投资的增长,以及以端到端、安全的解决方案这种独特方式满足跨国企业需求的能力。此外,微软还加强了在零售业、制造业、医疗、金融和大型政府等关键垂直领域的销售和市场营销工作,我相信这会产生非常积极的影响。”
该季度微软的云业务增长显著,特别是在宣布获得美国国防部备受争议的JEDI合同之后——未来十年该合同可能产生高达100亿美元的价值。
该季度Salesforce也宣布将使用Azure云来支持Marketing Cloud业务,同时微软还推出了新一代Surface产品。
微软首席执行官Satya Nadella表示:“我们正在跨技术堆栈的每一层进行创新,并在对客户成功至关重要的关键领域长期处于领先地位。随着我们不断扩大机会,我们正在努力确保我们的技术具有包容性、可信性,打造一个更可持续的世界,让每个人和每个企业组织都可以从中受益。”
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。