Dietzen显露笑容:Pure公司CEO真的非常开心
伴随着喜庆祥和的气氛,Pure Storage公司发布了其2016财年最终季度报告,其营收增长超过预期、亏损额亦顺利下降。
Pure Storage公司给出的第四季度营收为1.502亿美元,较上年同期增长128%,亦较第三季度的1.314亿美元提升14%。
本季度净亏损为4430万美元,较第三季度创纪录的5650万美元亏损降低21.6%,与上年同期的4764万美元亏损额相比亦下降7%。这也是该公司连续第二季度实现亏损额降低。
Pure公司CEO Scott Dietzen表示,"我们在第四季度实现了历史最佳表现,并为Pure Storage造就了创纪录的一年。公司业务继续全速前进,这主要归功于FlashArray在世界范围内的快速销售以及不断提升的运营效率。过去一年当中,我们将自身客户群体规模提升了120%以上,同时充分利用了面向闪存与云存储的长远转变趋势。"
Pure公司CFO Tim Ritters则表示,"我们对于自身业务模式的强大能力充满信心,同时预计企业实现盈利的时间点将早于此前计划,即为2017年下半年而非之前公布的2018年年内。我们将继续扩大销售、营销与工程技术规模,特别是在今年上半年的季度性投资周期之内。"
以下图表所示为Pure公司各季度营收与净利润走势,可以看到企业态势一片大好:
Pure公司各季度营收与净利润图表
而其全年营收与净利润图表则显示出,Pure公司的营收增长速度远高于亏损额度:
Pure Storage公司年度营收与净利润图表
发展态势如火如荼,这简直是一定的。
Pure Storage公司目前的客户数量已经超过1650家,本季度新增客户超过300家。其中包括两家体育业巨头:奔驰AMG F1车队与曾八次获得世界巡回赛冠军的旧金山巨人队。
Dietzen在今天发表的博文当中表示,"我们对自身业务的整体表现感到非常振奋,目前营收水平已经达到1.5亿美元,总客户超过1650家,非GAAP产品毛利率为68%,而非GAAP营业利润率则为-14%。"
"这也是我们在公司发展历史上首次产生自由现金流,我们的资产负债表新入账3200万美元(相当于第四季度营收的21%),目前企业握有的现金总量已经超过6亿美元。"
我们预计将在2017年下半年实现现金流收支平衡--这一进度早于我们此前提到的2018年年内。我们同时将继续向业务投入大量资金--最新季度研发成本投入达到总体营收的27%--我们的运营成本增长幅度明显较上年同期有所降低。
他再次强调当前业务的惊人形势:"在我们规模最大的25家客户当中,投入Pure Storage产品的每1美元都能够在未来18个月内带来超过12美元收益。"
他同时指出,面向云的迁移态势对Pure来说亦十分有利:"IDC公司预计SaaS(Salesforce与ServiceNow)以及消费级云(Facebook与苹果)两类细分市场将具备超越公有云的总体规模……与此同时,尽管我们不会向AWS与谷歌这类倾向于'自己动手'的公有云客户销售产品,但IDC的分析结论认为到2019年,80%的聚合存储市场都将向Pure公司开放。"
展望下个季度,即Pure公司2017财年第一季度,其营收区间应该在1.35亿美元到1.39亿美元,取中位数为1.37亿美元; 2016财年第一季度其营收为7410万美元。这也意味着Pure公司的产品销售额已经开始呈现出季度化波动模式。
本月晚些时候,Pure公司将召开其客户大会Pure Accelerate,届时该公司可能将公布一款向外扩展型产品--并被划归为其现有FlashArray//m产品线的一项扩展或者作为新产品线存在。
目前尚无任何迹象表明Pure公司的业务增长势头可能受到竞争对手的阻碍。也许今年晚些时候或者2017年这种趋势会逐渐显现出来。
2017财年全年营收预计将在6.85亿美元到7.25亿美元区间,取中位数7.05亿美元则意味着其较2016财年全年增长60%。如果这种增长势头继续保持下去,那么Pure公司将能够在2017财年下半年突破年营收10亿美元大关。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。