Nutanix今天公布的第一季度财报结果轻松超出市场预期,使得股价在盘后交易中飙升了21%多。
Nutanix销售的所谓超融合IT基础设施集成了计算、存储和网络组件。根据财报显示,该季度Nutanix在股票补偿等特定成本之前每股亏损71美分,收入为3.148亿美元。华尔街此前预期每股亏损75美分,收入为3.0645亿美元。
Nutanix强调该季度客户群体有所扩大,截止该季度末共有14960家客户,该季度完成了66笔规模超过100万美元的交易,创下历史新高。
Nutanix首席执行官Dheeraj Pandey在声明中表示:“强劲的第一季度业绩,特别是在美洲市场,使我们有信心相信,我们的全球销售领导力是出色的,特别是过去六个月中我们的生产率和销售团队有所提升和扩张。我们在关键业务领域看到了增长的势头,包括向订阅模式的过渡以及HCI核心平台的新产品配售率提高了28%。”
Pandey提到了Nutanix业务模式的快速转变。就在两年前,Nutanix还被视为一家硬件公司,为企业数据中心出售服务器和存储平台。但是如今,Nutanix将自己定位为一家“纯软件公司”,出售用于混合云和多云部署的虚拟化平台。
不过,向订阅业务模式的转型是一个痛苦的过程,尤其是在公布了令人失望的收益结果之后Nutanix的股票价值一天之内就蒸发了31%。
Moor Insights&Strategy分析师Steve McDowell表示,Nutanix已成功度过了过渡期,已经为实现增长做好了准备。
McDowell表示:“财务状况正在朝着正确的方向发展,订阅收入同比增长了近一倍,客户数量增加了,递延收入增长了40%,达到9.75亿美元。Nutanix是一家健康发展的公司,受到了市场的广泛认可。”
Constellation Research分析师Holger Mueller表示,Nutanix的成功转型展示了技术厂商是如何实现自我变革的。
Mueller说:“Nutanix正在按部就班地向订阅定价和销售模式发展,逐步地实现自己的转型路线图。与此同时,Nutanix成功地变革了自己的产品组合以适应混合云时代,从而实现了工作负载跨公有云和面向下一代应用的本地环境的可移动性。”
McDowell还强调了Nutanix与HPE最近建立的合作伙伴关系。两家厂商在今年早些时候宣布,将Nutanix旗舰的Enterprise Cloud OS软件与HPE基于GreenLake消费模式的产品进行集成。两家厂商还将售卖一款集成设备,该设备结合了HPE的ProLiant和Apollo服务器和Nutanix软件。McDowell表示,这些产品所取得的成功让投资者们感到兴奋。
他说:“人们对该业务的重要性存有疑问,公布的时候HPE对它也是轻描淡写。但是几个季度过去之后情况发生了变化,Nutanix和HPE合作的这项业务很赚钱,增长超出了分析师的预期。作为HPE GreenLake按需业务的一部分,这次合作似乎颇受关注。”
Nutanix表示,预计第二季度每股亏损为70美分,符合华尔街的预期。
McDowell表示:“我没有看到任何短期的警告信号。现在Nutanix这艘船似乎已经步入了正规,如果能够实现他们给出的指引,Nutanix将会迎来美好的2020年。”
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。