西部数据近日发布了表现强劲的第一季度财报,但由于对下一季度的指引较为疲软,导致其股价在今天盘后交易中下跌了10%多。
该季度西部数据在不计入股票薪酬等特定成本下的每股利润为2.49美元,收入为51亿美元,比去年同期增长29%,超过了分析师此前预期的每股利润2.24美元,收入51亿美元。
西部数据公司首席执行官David Goeckeler表示,该季度的“稳健业绩”得益于来自多元化终端市场的强劲需求,以及“强大的创新、广阔的市场路线和敏锐的执行力”。他补充说,即使面临“疫情带来的重大影响和供应链中断”,西部数据也做到了。
他说:“虽然这些中断是暂时的,但随着全球数字化转型的持续加速,西部数据的长期机会是保持不变的。我们相信,迁移到云端以及整个客户和消费者市场对存储解决方案的需求,将继续为西部数据和我们的客户带来巨大的机会。”
西部数据是全球最大的存储驱动器制造商之一,为数据中心硬件、个人计算机、智能汽车和其他各种系统提供硬盘和闪存芯片。
这次也是西部数据在新报告结构下发布的第一份财报。西部数据现在把产品分为三大类:云、客户端和消费者。云包括为公有云和私有云环境提供的产品,客户端包括直接销售给OEM或通过分销合作伙伴销售的产品,消费者业务则包括了零售和最终用户产品。
目前云业务是西部数据的主营业务,占总收入的44%,收入22亿美元,该季度同比增长72%,主要是受到了企业级硬盘收入创下新高,以及企业级固态硬盘销售额环比增长近30%这两个因素双重驱动的结果。
Goeckeler表示,下个季度云业务将进一步得到加速,因为西部数据将开始销售基于OptiNAND的新产品,该产品是一种在硬盘驱动器控制平面中使用闪存增加面密度的存储技术。西部数据称,下个月将开始批量出货使用OptiNAND的20TB CMR硬盘。
此外,该季度客户端业务收入增长6%至18.5亿美元,消费者业务收入增长10%至9.73亿美元。
西部数据表示,在客户端业务方面,西部数据的闪存产品在移动、游戏、汽车、物联网和工业应用等领域实现了收入的强劲增长。
然而由于“客户和公司自身业务的供应中断”,导致客户端业务和消费者业务收入分别下滑了2%和6%。
而且外界关于西部数据时断时续地收购日本闪存制造商Kioxia仍存在各种猜测。今年8月,有报道称西部数据再次就收购Kioxia进行谈判。Kioxia是东芝前子公司,于2018年独立,价值超过200亿美元。
此前西部数据和Kioxia关系密切,西部数据在自己的很多存储设备中采用了Kioxia的闪存产品,当时据说两者合并有助于扩大公司规模,可以更有效地与体量更大的美光和三星展开竞争。
此前有报道称,收购可能会在9月之前完成,但截至目前都还没有最终敲定。谈判如果继续进行的话,可能会是旷日持久的,因为最早有关西部数据有意收购Kioxia的报道还要追溯到3月份。
展望第二季度,西部数据预计调整后的每股利润在1.95美元至2.25美元之间,收入在47亿美元至49亿美元之间,华尔街分析师预期的每股利润为2.39美元,收入为45.9亿美元。
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。