希捷技术公司已经同意收购存储系统供应商Dot Hill Systems,此举将帮助希捷继续努力提升自身在存储价值链中的所处位置。
位于加利福尼亚州库比蒂诺的希捷是目前全球最顶尖的两大磁盘驱动器及SSD厂商之一,同时其在中小型企业存储解决方案市场上的份额亦愈加可观。希捷方面此次的收购计划将耗资6.94亿美元——如果除去Dot Hill公司持有的现金,那么总额则为6.45亿美元。
预计这笔交易将在2015年第四季度内彻底结束。
截至本文发稿之时,希捷与Dot Hill双方都没有对我们提出的询问作出回应。
希捷公司指出,Dot Hill旗下基于外部存储阵列的系统及软件产品将成为希捷云系统与电子解决方案业务的组成部分。这位存储巨头还计划利用Dot Hill的存储技术知识产权及软件为双方OEM客户群体带来更多增量价值。
Dot Hill公司业务当中有相当一部分来自面向面向OEM存储厂商合作伙伴的产品销量。在销售Dot Hill解决方案的合作厂商中有着大量我们耳熟能详的名字,其中包括宏碁、戴尔、惠普、联想、昆腾、三星以及Stratus Technologies等。
对于那些希望通过渠道销售合作伙伴购买Dot Hill解决方案的客户,该公司在官方网站上建议他们与总部设在加利福尼亚州圣何塞的昆腾进行联系。Dot Hill与昆腾于今年4月签订了一份合作协议,其中约定昆腾将Dot Hill的整个企业级磁盘存储系统产品线集成至自家分层存储方案当中。
作为这项协议的一部分,Dot Hill同意使用昆腾方面的渠道推广、销售与营销资源以及全球服务与技术支持体系。
Dot Hill公司在过去一年当中实现了销售额与净利润双增长的良好局面。该公司于本月早些时候公布了其2015财年第二季度的运营报告,其GAAP营收为6150万美元,远高于2014财年第二季度的4820万美元。GAAP净利润则为70万美元,折合每股1美分,而上年同期这一数字则为亏损10万美元。
“我仍然坚信我们是惟一一家能够在预期与实际营收增长幅度方面给出两位数结果的存储厂商,而净利润的增长幅度还要更大,” Dot Hill公司总裁兼CEO Dana Kammersgard在一份关于第二财季运营状况的声明当中指出。
希捷公司此次决定收购Dot Hill其实可以算是在意料之中,Berkeley Communications公司首席技术官Zeki Yasar表示——这是一家来自加利福尼亚州埃默里维尔的解决方案供应商。
希捷与其磁盘产品竞争对手西部数据双方都在积极收购并推出非组件型存储技术方案,Yasar在采访当中指出。
“双方似乎都在努力提升自身在价值链当中的定位,”Yasar解释称。“随着SSD销量对于高利润SAS磁盘驱动器业务的不断蚕食,传统驱动器制造商已经逐渐失去了这一利润丰厚的产品根据地。”
Yasar同时表示,希捷与Emeryville的结合对于两家企业来讲都将是一件好事。
“我发现,希捷公司正试图利用Dot Hill所拥有的一部分OEM合作关系,”他指出。“希捷方面也可以将希捷驱动器产品纳入到Dot Hill存储系统当中,从而实现更为理想的增值销售效果。这将使得希捷不再被束缚在组件供应业务领域。而对于Dot Hill来讲,这笔交易也有助于其挽回惠普、甲骨文-Sun以及NetApp等原本已经很难维系的OEM合作关系。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。