Commvault 在截至 12 月 31 日的 2025 财年第三季度中,收入同比增长 21%,达到 2.62 亿美元,大幅超过此前预期的 2.45 亿美元。
这一消息导致公司股价剧烈波动,开盘价为 163.613 美元,随后跌至 142.16 美元,又回升至 155.60 美元,最终稳定在 153.16 美元。
尽管收入增长,但 GAAP 净利润同比下降 35.7% 至 1100 万美元。客户数量同比增长 31% 至 11,500 家,其中包括超过 7,000 家 SaaS 客户,季度新增 1,000 家客户,约 200 家来自 Clumio。年度经常性收入 (ARR) 增长 18% 至 8.9 亿美元,订阅收入大幅增长 39% 至 1.583 亿美元,推动订阅 ARR 增长 29% 至 7.34 亿美元。其中,公司重点强调的纯 SaaS (Commvault Cloud) AR 增长 71% 至 2.59 亿美元。
总裁兼首席执行官 Sanjay Mirchandani 表示:"Commvault 再次创造了收入增长创纪录的季度...我们看到交易量强劲增长,新客户拓展业务增长显著,有机增长率加速...展望未来,我们相信我们的统一平台将更加关键,它能让客户预测、准备和从不可避免的攻击中恢复。"
财务概要: - 毛利率:81.5%,较上年同期的 82% 略有下降 - 经营现金流:3010 万美元 - 自由现金流:2990 万美元
首席财务官 Jen DiRico 在财报电话会议上谈到"本季度和年初至今的出色业绩",她说:"订阅收入的增长得益于持续的 SaaS 发展势头,以及定期软件和 SaaS 交易量较上年同期的显著提升。超过 10 万美元的定期软件交易收入增长 18%,得益于交易量增长 30%。其中包括十多笔超过 100 万美元的交易。此外,我们本季度在获取新的大型企业客户方面实现了强劲增长,包括 Equinix、AXA、Vanderbilt University Medical Center 和 DenizBank Financial Services。"
她补充道:"本季度我们新增 SaaS 客户数量创下纪录。我们对中小型企业客户数量的增长感到满意。"
DiRico 表示,本季度成本有所上升:"第三季度运营支出包括伦敦 SHIFT 相关成本、Clumio 员工入职成本,以及为加速收入增长而继续投资的成本,其中包括创纪录销售业绩带来的更高佣金和奖金。"
SaaS 净美元留存率 (NRR) 为 127%,高于去年同期的 125%。网络弹性战略正在取得成效,Mirchandani 表示:"我们的网络弹性营销信息得到了客户的认可,我们看到创纪录的客户流入和销售机会增长。在第三季度,我们的交易量增加,成交率强劲,客户数量加速增长,扩展业务活动表现出色。"
对于最后一个季度的展望,预计收入为 2.62 亿美元±200 万美元,按中位数计算同比增长 17.3%。2025 财年全年收入预期为 9.825 亿美元±250 万美元,按中位数计算同比增长 17%。
Commvault 计划在 2026 财年实现超过 10 亿美元的 ARR,以及超过 3.3 亿美元的 SaaS ARR——相比 2024 财年复合年增长率超过 40%。DiRico 表示:"展望 2026 财年,我们目前的表现超过最初分享的财务目标,预计将比原计划提前实现这些目标。"此前的指引是在 2026 财年末实现 10 亿美元 ARR 和 3.3 亿美元 SaaS ARR。
公司正在抓住机会向 SaaS 客户销售混合云产品,向混合云客户销售 SaaS 服务。这种交叉销售为 Commvault 带来了显著的客户基础收入扩张机会。
这是一个稳步增长的企业,通过相关收购(如 Clumio)和合作伙伴关系,连续七个季度实现盈利。令人惊讶的是,投资者并没有静观其变,让其自然成长。
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。