至顶网软件与服务频道消息: MongoDB本周二公布的第四季度财报业绩表现强劲,但是MongoDB有关新冠病毒可能带来负面影响的警告,导致股价大幅下跌。
MongoDB主要提供一款同名的面向文档的数据库,用于支持大数据应用和其他密集型工作负载。MongoDB报告称,该季度在不计入股票薪酬等特定成本的情况下,每股亏损25美分收入为1.235亿美元,比去年同期增长44%。
MongoDB的业绩超出了预期,此前华尔街预期MongoDB每股亏损28美分,收入为1.1557亿美元。
MongoDB还报告了本季度的订阅收入增长了45%,达到1.178亿美元,而服务收入增长了17%,达到570万美元。
MongoDB的全局云数据库Atlas是其广受欢迎的NoSQL数据库完全托管云版本,让企业可以更轻松地启动和运行该数据库,该季度的年收入运行率达到2亿美元。
总体而言,该季度对MongoDB来说是一个重要的季度,但与其他所有科技公司一样,目前外界正在发生的情况更为重要,MongoDB高管警告说,公司不太可能在新冠病毒爆发的情况下毫发无损。
展望2021财年第一季度,MongoDB预计收入在1.19亿美元至1.21亿美元之间,其中包括因新冠病毒造成的100万至200万美元损失。疫情还将影响MongoDB的全年收入,预测整个2021财年的收入在5.1亿美元至5.3亿美元之间,其中包括因新冠病毒造成的1500万至2500万美元负面影响。
这一消息也使得MongoDB股价在盘后交易中迅速下跌了9%多。
MongoDB在一份声明中表示:“有关COVID-19的情况尚不确定,并且正在迅速变化,因此MongoDB将继续评估这对业务带来的潜在影响。”
股票下跌是可以预料的,因为似乎没有一家公司能够在当前危机下毫发无损,但有分析人士认为,MongoDB将迎来辉煌的一年,并且未来前景光明。
Pund-IT分析师Charles King认为:“尽管不确定性影响着各个企业和市场,但随着数据库用例向云计算的迁移,MongoDB似乎已经做好了继续增长和发展的准备。”
Constellation Research分析师Holger Muelle也对MongoDB过去一年实现的增长感到鼓舞。
他说:“与传统的事务型数据库相比,MongoDB一直在这个快速增长的热点上主动出击,而且这几乎与任何下一代应用用例都是相关的。MongoDB凭借很好的跨云能力服务于客户和厂商,避免了传统云本机数据库存在的锁定问题。总体而言,MongoDB高管目前唯一要解决的问题,就是如何实现盈利。”
其他相关消息,MongoDB宣布联合创始人、首席技术官Eliot Horowitz将从7月10日起卸任,但会继续担任公司的“技术顾问”。
MongoDB首席执行官Dev Ittycheria表示:“我要感谢Eliot从共同创立公司之初到现在的技术远见、领导才能和他所做的巨大贡献。他与MongoDB的其他创始人一道,在13年前就意识到,现有的数据库技术无法满足开发者构建现代应用的需求。他们的洞察力和辛勤工作造就了这一文档模型,这是一种完全不同的持久数据存储方式,解决了关系型数据库的刚性和可扩展性限制。”
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。