数据中心存储厂商Pure Storage今天公布财报,收入和利润均超出分析师的预期,但是股价在盘后交易中下跌了近5%。
Pure Storage以提供基于闪存的硬件和软件存储产品而闻名。该季度Pure Storage在不计入股票薪酬等特定成本的每股利润1美分,收入为4.106亿美元,较去年同期减少4%。
这超出了华尔街预测的4.07亿美元收入。事实上Pure Storage在本月早些时候就预先宣布收入“大约达到4.1亿美元”,因此这次公布收入实现增长并不令人意外。
Pure Storage董事长、首席执行官Charles Giancarlo表示:“我们提供混合云和多云数据服务的战略和愿景,让整个行业、客户和开发者都感到振奋。”
Pure Storage的财报中,订阅收入产品(包括“Pure即服务”存储服务,和Evergreen,一种类似云的本地存储服务)的销售额同比增长了29%。
Moor Insights&Strategy分析师Steve McDowell认为,Pure Storage的强劲表现要归功于企业客户从疫情中复苏导致的需求增长。他说,这是值得注意的,而且对于Pure Storage来说是个好兆头,因为现在我们尚不清楚这个行业的其他厂商是否在企业级销售方面也有类似的增长。
他说,Pure Storage订阅服务的增长是一个亮点,而且与存储行业的广泛趋势是保持一致的。
McDowell说:“我们看到,企业客户全面拥抱基础设施即服务,Pure Storage从中受益也就不足为怪了。”
Pure Storage可能会进一步得到利好,正如今天在另一份公告中所说,Pure Storage将通过一项名为“Service Catalog”的新产品扩展自己的即服务产品组合,该产品将为各种存储服务提供以GB为单位的计费方式。Pure Storage表示,该产品提供了“真正的存储投资透明性”,对存储行业而言是一种新颖的模式,让客户可以更轻松地选择每种工作负载所需的存储服务级别。
该季度的另一个亮点是Pure Storage推出了基于QLC的FlashArray//C产品。McDowell表示,该产品有出色的性能,因为它让闪存存储不仅可以应用于高性能工作负载,还可以应用于二级存储应用。他说,Pure Storage在这一领域一直占据统治地位,不过随着NetApp和IBM相继宣布推出类似产品,这种情况可能很快就会发生变化。
今年9月Pure Storage宣布以3.7亿美元收购Portworx,引起了不小的轰动,Portworx专门提供云原生的和基于Kubernetes的存储服务。Portworx将会对Pure Storage的业务带来重大的而影响,而且产品和Pure Storage也是没有重叠的。Pure Storage在与分析师的电话会议中表示,Portworx的业绩是超出其内部目标的。
Pure Storage没有公布对当前这个季度的任何预测,理由是目前全球持续的COVID-19大流行所带来的不确定性。
McDowell说:“这个市场仍然是很有竞争力的,Pure Storage仍然处于盈亏平衡中,因此Pure Storage的成功与成长很大程度上取决于运营和财务状况,以及管理好产品组合。目前Pure Storage的决策是明智的,所以我持乐观态度。”
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。