数据库软件明星公司MongoDB今天公布了表现强劲的第四财季财报,结果超出预期水平,股价在盘后交易中走高。
该季度MongoDB在扣除股票补偿等成本之后每股亏损9美分,收入为2.665亿美元,同比增长56%,令人印象深刻,这一结果也高于此前分析师预期的每股亏损22美分和收入2.434亿美元。
虽然收入增幅是九个季度以来最强劲的,但却无法避免整体亏损的增长,该季度净亏损为8440万美元,高于去年同期的7580万美元。
财报公布之后MongoDB的股价在盘后交易中上涨了9%多,当天早些时候也有小幅上涨。与此同时,MongoDB公布了2022财年全年业绩,收入为8.738亿美元,同比增长42%。
MongoDB在新闻稿将该季度业绩归因于“强劲的客户增长”,截至1月底,MongoDB平台的付费用户总数已经超过33000个。
MongoDB主要售卖开源的MongoDB数据库企业版本,号称是面向文档的、最强大的数据库之一,可用于多种类型的数据密集型应用。开发人员特别喜欢MongoDB,因为据说该数据库易于使用,而且可以以多种不同格式存储信息。
MongoDB还为云客户打造了一个特殊版本名为MongoDB Atlas,以及移动版MongoDB Realm。
MongoDB公司首席执行官Dev Ittycheria表示,公司实现增长要得益于MongoDB现代应用数据平台“显着减少了开发过程中的摩擦”,让开发人员能够轻松开发出好的应用。
他说:“六位数和七位数客户的强劲增长,说明客户越来越多地把MongoDB视为一个战略平台。我们有信心能够抓住这个规模高达700亿美金的市场机会,在可预见的未来实现强劲的增长。”
MongoDB Atlas的增长速度特别快,达到了85%,年化收入首次超过10亿美元,一部分原因是MongoDB通过与AWS和Google Cloud等云基础设施提供商的合作伙伴关系中看到了持续的势头。MongoDB表示,与云合作伙伴采购相关的交易增长了80%。
MongoDB表示:“我们在与AWS的合作伙伴关系中,展现出了强大的一致性和出色的现场执行能力,尤其是在较大规模的交易和从内部部署迁移到云端等方面。Google Cloud目前也在他们的平台上支持MongoDB Atlas数据库,进一步提高了开发人员的可见性和速度。”
Constellation Research分析师Holger Mueller认为,MongoDB在云计算方面取得的成功要归因于它找到了每个企业的需求热点——可靠的托管服务,且不会让他们锁定于任何特定的云平台中。
“这帮助MongoDB朝着收入规模突破10亿美金的企业方向发展,第四季度MongoDB的收入超过了2.5亿美元。而且随着公司的发展,很明显管理层并没有过多地控制成本,但每股亏损与去年同期持平,因此可以说是有进步的。展望下个季度,MongoDB没有理由不会保持类似的增长速度。”
MongoDB对下个季度持乐观态度,预计下季度预计亏损在8至12美分之间,收入为在2.63亿美元至2.67亿美元之间,此前华尔街预期该季度收入将降至2.536亿美元,每股亏损17美分。
好文章,需要你的鼓励
地球日之际,NVIDIA聚焦五个推动气候科学与可持续发展的项目:利用Earth-2平台开展气候模拟、借助AI推进红毛猩猩等濒危物种保护研究、通过AMP机器人实现可回收物自动分拣、借助AI技术研究早期海啸预警系统,以及通过Planet地球观测数据平台提取环境洞察。AI与加速计算正大幅提升环境保护与气候研究的效率与精度。
这项来自哥本哈根大学等多机构的研究(arXiv:2604.09746),构建了一个纽约市虚拟导航模拟系统,让150个"蓝队"AI与100个隐藏身份的"红队"AI交互对抗。红队通过伪装成热心路人,用风景渲染、权威话术等手段把蓝队引向广告牌陷阱。研究采用KTO方法进行十轮迭代训练,发现蓝队任务完成率从46%升至57.3%,逐渐习得了主动反驳、目标锚定等策略,但被骗率始终高达70%以上,揭示了AI智能体在持续社交操控下的深层脆弱性。
CoreWeave宣布推出三项新功能,旨在简化跨云AI训练与推理工作。其中CoreWeave Interconnect直接与谷歌云互联,支持开发者灵活部署训练和推理任务;SUNK Anywhere支持大规模长周期AI训练项目,可跨谷歌云、AWS、Azure及本地环境扩展算力;LOTA Cross-Cloud则允许数据集中存储、跨云运行工作负载。此次合作借助谷歌全球网络扩展了CoreWeave的服务覆盖范围,并消除了企业连接多云时依赖第三方的繁琐流程。
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。