EMC第二季度总体业绩表现平平,但是利润增长了19%。如果不是最近一些订单无法完成,EMC的业绩表现本来可能更好的。
据悉。该季度EMC收入约60亿美元,与去年同期没有太大变化,但是环比增长了9.6%。两年前这个数字为59亿美元,所以EMC可以说在收入方面是原地踏步的。
另外,净收益为5.81亿美元,去年同期为4.87亿美元,上个季度为2.68亿美元,大幅增长117%。两年前为5.89亿美元,再次表明EMC正在巩固自己的位置而不是整体增长。
VMware在第二季度的收入是16.8亿美元,同比增长11%。Pivotal第二季度的收入同比增长了49%,在云计算和大数据订购软件方面的年收入同比增长达到了三位数。
EMC信息基础设施首席执行官David Goulden表示:"我们不断扩大的全闪存存储产品组合、融合和超融合产品组合、企业级混合云及Virtustream云解决方案的表现都十分突出。"
EMC首席财务官Denis Cashman表示:"尽管该季度订单时间问题导致有很多未发货的存储产品订单,但我们再一次实现了超出预期的表现。经过大约1.3亿美元未发货订单同比增长的调整之后,EMC在第二季度的非GAAP收入同比增长了1个百分点。"
EMC信息基础设施部门第二季度业务亮点包括:
• 第二季度,对全闪存阵列产品组合的需求同比增长100%,年运行率超过20亿美元
• 对Virtustrea Enterprise Cloud服务的需求同比增幅为三位数
• 对融合基础设施产品组合的需求同比增长40%
"客户在第二季度采用超融合产品的情况非常突出,对EMC企业混合云产品的需求在2016年上半年同比增长了178%。"EMC表示。
TBR高级分析师Krista Macomber表示:"经过2015年全年触及底线的下滑之后,EMC在2016年第二季度实现了连续两个季度的净收益同比增长。"
这是由于"成本重组计划,还有在战略解决方案领域增强了投资的变现,"主要表现在全闪存和融合/超融合产品以及云服务领域。
TBR预计从2015年到2020年期间全球超融合收入年复合增长率大约是50%。
"对高端、独立磁盘阵列的需求不断减弱,在2016年第二季度同比缩水了4%,"这对收入和利润都造成了影响,而产品更新放缓了下滑的步伐。
本周二,EMC股东投票通过戴尔以670亿美元通过母公司Denali并购EMC。Goulden对此持乐观态度称:"对于我们即将与戴尔一同开启的未来,我非常兴奋,我们将会给客户带来积极的影响,继续投资和创新支持他们最具战略意义的IT项目。"
Macomber表示,TBR认为EMC有机会利用戴尔的Boomi集成平台,知道如何高效制造基于标准的系统来提高效率。最终,合并之后公司成功的关键是客户渠道中的不确定性和高管层变更,密切关注谨慎管理与第三方技术和服务提供商的联盟合作,此外还有整合各种技术和直销文化的挑战。"
由于刚结束戴尔并购投票,目前还没有关于业绩的电话会议。股东将在利润增长的背景下进行投票,而且他们知道实际上也没有B计划:要么戴尔,要么一无所获。很久以前EMC的董事会就一致通过了这次收购。
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。