企业软件巨头SAP近日公布第二季度财报,该季度收入增长了3%,达到66.7亿欧元,这在很大程度上要归功于云业务(销售额经过调整之后)实现了17%的增长。
SAP预计未来几个季度云业务将继续推动营收的增长。此外,SAP还发布了对该财年的最新预测,云和软件收入预计在236亿至240亿欧元之间,比之前的预测增加了2亿欧元,此外营业利润预测下限提高了1.5亿欧元,目前为79.5亿至82.5亿欧元。
SAP公司首席财务官Luka Mucic表示:“SAP云产品组合继续加速增长,实现了有一个表现强劲的季度,我们看到在新增客户和客户采用方面都有出色表现。”
SAP的软件产品被全球大多数企业用于管理核心业务任务,例如会计和供应链运营。与其他现有软件厂商一样,SAP正在朝着将应用作为云服务进行销售的方向发展,过去几个季度这一直是SAP财报的主旋律。
第二季度SAP的66.7亿欧元总收入中,有22.7亿欧元来自云业务,云业务的季度销售额经过调整之后同比增长17%,根据IFRS会计准则计算是增长了11%,用于衡量未来收入情况的当前云业务未交货订单金额增长了20%。
之所以能够实现增长,一部分要归功于Rise with SAP所取得的成功。Rise with SAP是SAP去年推出的一个软件和服务捆绑包,旨在让客户更轻松地从其应用的本地版转移到云版本,第二季度有约250家客户签约使用Rise with SAP,几乎是该服务1月正式推出后客户数量的2倍。
第二季度签约Rise with SAP的客户中有多家知名企业,包括AMD和NBA,这一定程度上有助于SAP通过市场营销策略说服其他客户采用该服务。
SAP云业务业绩的另一个亮点是S/4HANA,也就是SAP旗舰软件产品的云版本。
SAP表示,S/4HANA平台当前的云业务未交货订单金额同比增长了48%,一部分原因是签约了600多家客户,其中有一半以上是新客户,这意味着SAP不仅说服了现有的ERP用户切换到SAP云平台,而且还从以前没有使用过SAP ERP软件的企业那里赢得了业务。
SAP云业务下的一个新兴、但非常重要的部分,在该季度也实现了强劲增长。SAP表示,旗下Signavio子公司的当前云业务未交货订单金额实现“三位数”增长,但没有透露详细数字。Signavio开发的软件产品让企业可以更轻松地从SAP ERP旧版本软件迁移到S/4HANA,而且该软件也是Rise with SAP服务的一个组成部分。
该季度Signavio软件的强劲增长将成为Rise with SAP和S/4HANA未来进一步增长的积极信号。
SAP公司首席执行官Christian Klein表示:“客户选择SAP进行业务转型,因此我们的云产品组合得到了广泛采用,战略正在进一步发挥作用。我们的执行力连续三个季度表现强劲,我们将继续通过平台和应用方面的优势提供无与伦比的客户价值。”
他在接受采访时表示,预计今年下半年云业务未交货订单金额将“进一步加速”,并在2022年实现更快的增长。
投资者对SAP第二季度财报的反映有所不同,近日SAP股价下跌3%多。有分析师解释说,SAP公布的季度收入和利润增长是低于市场预期的。
不过第二季度SAP的业绩符合或者超过了Refinitiv受访分析师的预期。该季度SAP的收入为66.7亿欧元,符合Refinitiv的中值预测。营业利润增长3%至19.2亿欧元,超过预期中值。
好文章,需要你的鼓励
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。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。