数据中心软件和服务厂商Nutanix今天发布第一季度财报,结果超出了预期水平,且给出了强有力的下一季度指引,这也使得Nutanix股价在盘后交易中有所上涨。
该季度,Nutanix在不计入诸如股票薪酬等特定成本的情况下每股亏损44美分,收入为3.128亿美元,此前华尔街预期的每股亏损为57美分,收入为2.9934亿美元。
Nutanix还称,该季度的订阅计费为2.94亿美元,订阅收入为2.78亿美元,订阅收入可能是比产品销售更为稳定一些的。
Nutanix表示,年度合同价值账单(ACV)费用达到了1.378亿美元,比去年同期增长10%,这项计费也是Nutanix最近越来越重视的一项关键指标,主要是指“合同的年度总价值,不包括与专业服务和硬件有关的金额”。
Nutanix预计第二季度ACV收入将在1.45亿美元至1.48亿美元之间,远远超出华尔街预期的1.344亿美元。
投资者对这一结果很满意,Nutanix股价在盘后交易中上涨了7%多。
“我们对第一季度的财报表现感到满意,这标志着2021财年有一个非常强劲的开端,这个季度新产品不断普及,我们核心的超融合基础设施软件持续增长,”Nutanix联合创始人、首席执行官Dheeraj Pandey在声明中这样表示。
Nutanix首席财务官Duston Williams称,Nutanix以ACV为先的战略以及扎实的上市执行力,有助于Nutanix在所有关键财务指标上取得超乎预期的成绩。
他说:“展望未来,我们将继续谨慎地管理运营费用,继续执行业务模式转型,我们有信心Nutanix可以实现长期增长,让所有利益相关者从中受益。”
该季度Nutanix在产品方面有一些重要的进展。最早Nutanix的定位是虚拟桌面基础设施厂商,近年来更加专注于扩展自己的软件定义超融合基础设施堆栈,这种堆栈集成了计算、存储和网络等组件。今年9月,Nutanix宣布与微软达成重要的合作伙伴关系,有些类似于8月和AWS的合作,是在微软Azure上开发Nutanix的超融合基础设施系统。
Pandey说:“我们在8月发布了在AWS云上的解决方案之后,宣布与微软建立重要合作伙伴关系,在Azure上开发我们的产品组合,从而使Nutanix超融合基础设施系统拥有显着的竞争优势,帮助客户构建混合云和多云环境。”
Moor Insights&Strategy分析师Steve McDowell表示,Nutanix表现强劲的第一季度说明Nutanix向基于订阅的业务模式的转型,终于获得了回报。
McDowell说:“Nutanix在执行订阅驱动的策略方面可以说几乎是完美的,再加上他们有不错的产品组合,和AWS及微软Azure的合作也开始看到回报,我们可以看到的几乎所有指标都在朝着正确的方向发展着。”
他认为,今年的疫情也让Nutanix在一定程度上有所受益。他强调,采用超融合基础设施和软件定义技术的企业组织似乎比其他企业组织能够更好地应对疫情带来的挑战,这主要因为这种系统可以支持快速重新配置和远程管理。
他说:“Nutanix的软件定义方法与订阅模型相结合,在未来12到18个月内持续经济不确定性的情况下是非常有意义的,Nutanix为企业提供了运营灵活性和预算控制力。”
Constellation Research分析师Holger Mueller补充说,Nutanix在削减销售和营销费用方面也做得很好。
他说:“这是运营改进的关键来源。现在Nutanix需要继续保持下去,努力实现增长,确保在更多平台上构建创新的产品,特别是从与微软Azure新建立的合作伙伴关系开始。”
Pandey三个月前宣布,计划找到继任者后就退休,但是目前Nutanix没有提供任何最新的消息。
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。