大数据厂商Cloudera今天发布了第二季度财报,尽管业绩超出了华尔街的预期,但是强劲的表现还不足以阻止其股价在盘后交易中小幅下跌。
Cloudera主要面向企业销售数据工程、数据仓库、机器学习和分析软件。该季度Cloudera在未计入股票补偿等特定成本的利润为每股10美分,收入为2.143亿美元,比去年同期增长9%,此前华尔街预期的每股利润为7美分,收入为2.0814亿美元。
Cloudera表示,该季度新冠病毒大流行导致IT支出的疲软被市场对Cloudera数据平台的需求所抵消了。
该季度Cloudera的年度经常性收入为7.39亿美元,比去年同期增长12%,而这对投资者来说是一项重要指标,因为年度经常性收入代表了公司的发展状况,并可以预测未来的增长。
Cloudera称目前公司有1007家贡献10万美元年度经常性收入的客户,172家贡献超过100万美元年度经常性收入的客户。
Cloudera首席执行官Rob Bearden在与分析师的电话会议上表示,该季度Cloudera的Cloudera Data Platform Public Cloud客户数量翻了一番,预订量同样非常强劲。
他说:“尽管目前已确定的收入不算高,但CDP Public Cloud在市场中备受欢迎让我们感到鼓舞。这些产品作为独立的服务体现出差异化,将会随着时间的推移进行扩展。CDP Public Cloud直接战略价值主要在体现在它支持混合数据架构,将在为客户创建企业数据云方面发挥至关重要的作用。”
Bearden表示,Cloudera Data Platform Private Cloud产品也有突出表现,使得Cloudera能够更好地进入混合云和多云市场。他在电话会议上向分析师表示,CDP Private Cloud有助于加强Cloudera与AWS、Google和微软等公有云基础设施巨头之间的关系。”
“我们希望现有客户群采用我们的企业数据云,以推动公有云基础设施即服务方面的消费,而且CDP Private Cloud推动了我们与AWS、Azure和Google的公有云合作伙伴关系。我们估计,我们每赚1美元的软件收入,这些云提供商就会给我们贡献4至5美元的计算和存储收入,这部分IaaS潜在收入,是这些超大规模云合作伙伴关注的重点,同时也促进了我们与这些云合作伙伴之间的互动。”
Constellation Research分析师Holger Mueller表示,CDP Private Cloud的表现令人感到鼓舞,因为它可以帮助Cloudera抓住下一代云计算平台把云堆栈带入本地环境的发展趋势。
Mueller说:“在财务方面,很高兴看到Cloudera在财务方面进一步克服了挑战,很有可能在下个季度实现盈利。”
Pund-IT分析师Charles King认为,客户正在积极地向云转型,他们需要来自专家的建议和帮助,这会让Cloudera从中受益。
“Bearden关于Cloudera正在加强与AWS、微软Azure和Google Cloud等主要合作伙伴关系的战略是有道理的,因为像Cloudera这样的云软件厂商在经济体量上几乎不可能和这些云服务提供商一样。也就是说,Cloudera的表现超出分析师的预期,这体现了Cloudera扎实的管理和执行力,预示着Cloudera将在后疫情时代的市场中继续保持稳定表现。”
Cloudera预计,第三季度调整后的每股收益为8至10美分,收入在2.07亿至2.1亿美元之间,华尔街预期的每股收益为7美分,收入为2.055亿美元。
Cloudera预计全年收入在8.39亿美元至8.53亿美元之间,此前华尔街预期的全年收入为8.387亿美元。Cloudera表示,这一全年展望的假设前提是COVID-19所带来的“衰退影响”将持续到第四季度。
Bearden说:“我们不能幸免于COVID-19造成的经济衰退,但是我们认为,我们的业务比大多数企业软件公司更具弹性。这是事实,因为我们的产品支持数字化转型计划和关键任务场景。”
Cloudera的股价在盘后交易中下跌超过2%。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。