中国,北京,2019年2月11日——全球领先的存储解决方案提供商希捷科技公司(NASDAQ:STX)日前发布于2018年12月28日结束的2019财年第二财季财务信息。
希捷科技首席执行官Dave Mosley表示:“本财季,我们在更具挑战性的需求环境中表现良好,获得了强劲的财务业绩,这体现出我们优异的运营效率。虽然存在影响存储行业的市场和地缘政治不确定性,但我们对数据创建和存储需求的长期增长仍充满信心。通过提供具有竞争力的高性价比的海量存储解决方案,希捷为处于数据时代的各行业企业实现数字化转型助力。我们深厚的存储行业专业知识和领先的技术组合将继续推动公司获得长期成功,并为股东创造价值。”
季度财务报告
希捷科技公司还公布了补充财报信息,详情请见希捷官网投资者关系页面www.seagate.com/investors。第二财季中,公司运营现金流为2.88亿美元,自由现金流为1.61亿美元。今年以来,公司合计运营现金流8.75亿美元、自由现金流5.71亿美元,资产负债表健康。第二财季中,公司支付现金股息1.8亿美元,并以1.36亿美元回购320万股普通股,偿还4.99亿美元2018年优先债券。截至本财季末,现金、现金等价物总额为14亿美元,已发行和未发行普通股2.83亿股。
季度现金股息
董事会批准的季度现金股息为每股0.63美元,并将于2019年4月3日支付给2019年3月20日交易收盘时登记的所有股东。未来的季度股息支付将由公司董事会根据希捷的财务状况、运营业绩、可用现金、现金流、资本需求以及其它董事会认定的相关因素决定。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。