又是新的季度,永远不缺少激情的Imation公司再度公布财报:上季度总营收为9400万美元,亏损额则接近1000万美元;而本季度,其营收为1070万美元,亏损则激增至9110万美元。
看到这样的数字,我们不会会问,钱都去哪儿了?
下面我们会尝试分析如此可怕的数字,看看Imation公司到底出了什么问题。
2016年第一季度,Imation公司及其下辖子公司Nexsan总营收为1070万美元,净亏损额则高达9110万美元。
Imation公司将这一结果与上年同期进行了比较,表示去年第一季度营收为1570万美元,意味着砍掉业务表现不佳的部门外加利润微薄的业务导致其营收下滑31.8%。
然而,这里提到的1570万美元其实是去年第一季度Nexsan的营收数字。Imation本身去年第一季度营收为1.554亿美元,因此可以看到本季度营收急剧缩水93.1%。在此期间,Imation公司被激进派投资方所接管,并逐步清理掉除Nexsan之外的其它组件产品业务,同时着手收购Connected Data。然而这一系列举措的最终效果就是带来1070万美元的可怜营收。
为了提醒Imation其身处的可怕局面,我们列出了自2010年以来各开年首季度的营收数字:
• 2010年 - 3.658亿美元
• 2011年 - 3.165亿美元
• 2012年 - 2.633亿美元
• 2013年 - 2.244亿美元
• 2014年 - 1.789亿美元
• 2015年 - 1.555亿美元
• 2016年 - 1070万美元
那么股票价格又在什么水平?今天的交易价格为1.68美元每股,而2997年1月其每股价格高灰46.90美元。这显然是一场惨烈的失败。去年9月,克林顿集团取得了Imation公司的控制权,当时的股票价格在3美元到4美元之间。其他投资者们根本不会关心你们在此期间做了什么--股价就是最好的说明。
一年前Imation公司的净亏损额为1440万美元,如今则为9110万美元,运营状况可谓急剧恶化。然而最令人惊奇的是,CEO Bob Fernander居然表示:"本季度公司在多个方面实现成功。"
下面来看Bob F同志给出的解释(以下为其本人的原话摘录):
• "首先,我们遗留业务的营收下滑幅度与我们的财务业绩预期相一致。"
• "第二,存储行业对我们的UNITY产品表现出积极的反应。"
• "第三,我们的克林顿灯塔基金投资项目已经获得160万美元净利润,而且周期不足两个月,远远超出我们的预期。"
• "第四,我们已经与Spearpoint管理公司找到友好的解决办法,能够顺利处理退休股东向Imation董事及管理团队提起的诉讼案。"
• "最后,我们已经在Imation的核心业务之外开始推进投资与活动倡议,并将全力投身于长期战略的具体执行工作--即帮助陷入困境的企业为投资者带来更多价值回报。"
评论意见
到底什么叫"帮助陷入困境的企业为投资者带来更多价值回报"?这跟Imation自身以及存储业务到底有何关联?
在我们看来,Imation公司及其Nexsan子公司如今已经完全成为克林顿集团手中的傀儡,而Nexsan在逻辑上与克林顿集团毫无关系。当然,Geoff Barrall仍然负责Nexsan公司的运营工作,这意味着至少还有人在管理其存储业务。
Nexsan公司目前的年度营收总额为4300万美元。那么这一数字是否还有增长空间?最新的Unity产品在自身文件与块存储功能之外,还加入了Connected Data带来的同步与共享机制。另外,其还起诉EMC方面,要求其停止使用Unity品牌名称并误导客户。再有,Nexsan公司与X-IO之间签订了E60阵列供给协议,这可能会帮助其在本季度实现营收增长。另外,SATAbeast也已经再次回归。
我们希望本季度的巨额亏损只是暂时状况。Geoff Barrall到今年年底之前将把Nexsan公司的营收恢复至单季度2000万美元水平。而在成本削减之后,Nexsan公司将再次走向盈利正轨--当然,这一切都仅仅只是希望。
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。
这项研究揭示了大型语言模型(LLMs)偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法,不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域(从一般问答到安全评估),分析了12种偏好机制,发现人类评判者重视权威性和清晰度,而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好,还能清晰解释判断过程,为构建更透明、更符合人类价值观的AI系统提供了新途径。