希捷在2018财年第二季度收入基本持平,利润下滑。
截至2017年12月29日的三个月中,希捷的收入为29亿美元,去年同期为28.9亿美元,上个季度为26.3亿美元。
该季度希捷的GAAP净收入为1.59亿美元,去年同期为2.97亿美元,下降47%,比2018财年第一季度的1.81亿美元下降12%。
该季度希捷产生了8.5亿美元的运营现金流和7.73亿美元的自由现金流。Wells Fargo高级分析师Aaron Rakers表示,现金流非常强劲,“高于我们此前预期的5亿美元和普遍预估的4.1亿美元”。
他还表示,收入和非GAAP每股收益超过预期。
上周,西部数据公布了同一季度创纪录的业绩。希捷如何包装这些沉闷的收入数字?
希捷公司首席执行官Dave Mosley表示:“12月份这个季度实现同比收入和盈利增长以及产生了大量现金流,这反映出希捷在存储解决方案组合方面的稳健执行和竞争力。”
希捷在2018财年第二季度的季度收入和GAAP净收入
盈利增长?一点点吧。所得税前利润为3.71亿美元,去年同期为3.10亿美元。
对西部数据产生了深远影响的美国新税法,再次被视为所得税从税前利润中剔除的一个原因。没有这部分的话,GAAP净收入可能会有所增长。
那为什么没有有效的收入增长呢?因为希捷没有售出足够多的磁盘驱动器。
该季度希捷的出货容量为87.5EB(西数的出货量为95.3EB)和4000万个硬盘(西数为4230万个),这两个数据都落后于西数。 Raker表示,希捷出货的大容量/近线驱动器总容量为35.1EB,同比增长62%。现在企业级硬盘为希捷贡献大约40%的收入。
其他磁盘驱动器细分市场都在下滑:
- 客户端硬盘出货容量为19.2EB,同比增长12%,客户端硬盘收入达6.7亿美元;同比减少4%
- 非计算硬盘出货容量为30.9EB,同比上涨15%,非计算机硬盘收入为8.6亿美元,下滑3%
- 任务关键型企业硬盘容量出货容量为2.4EB,同比下降8%(上个季度为-13.5%)。
Rakers表示,希捷的企业级硬盘总收入约为12亿美元,同比增长9%。这意味着来自其他驱动器细分市场的总收入或多或少地减少了9%,使收入持平。
未来呢?Mosley表示:“展望未来,我们将继续专注于运营卓越性,实现我们的财务和股东回报目标。”是的,但是要实现真正的增长呢?
Rakers表示:“随着成本降低已经接近尾声,我们仍然认为希捷高线增长的能力将成为投资者日益关注的焦点。”
有趣的是,希捷公司已经任命了两名新董事。Judy Bruner被描述为“作为财务负责人,在全球高科技行业拥有丰富的经验和职业成就”。
另一位董事Dylan Haggart,希捷称“自2016年以来,他以咨询顾问的角色一直是受董事会尊敬的贡献者,我们期待着他作为董事会成员继续发挥顾问作用”。Haggart是ValueAct Capital的合伙人,ValueAct Capital目前是希捷最大的投资者之一,持股比例为7.4%。
ValueAct也被认为是非常积极的投资者,可以识别那些看似不受欢迎的公司,或者那些正在经历重大转变的公司,并致力于改善这些公司。
与西部数据相比,希捷在固态硬盘市场几乎没有存在感,SSDS正在蚕食高端磁盘驱动器。不过据说希捷已经与东芝达成了闪存战略供应协议。观察人士正在期待着看希捷将如何利用这一协议,在整体SSD市场取得更大的份额。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。