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
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。