数据存储厂商NetApp近日发布了第三季度财报,收益超出预期,收入与预期相符,但预计下一个季度收益可能低于分析师的预期目标,导致其股价在延长交易中下跌了9%。
该季度在不计入股票补偿等成本之后的每股收益为1.44美元,收入为16.1亿美元,高于去年同期的14.7亿美元,净收入为2.52亿美元,此前华尔街预期的每股收益仅为1.07美元。
NetApp公司首席执行官George Kurian表示,该季度的良好业绩得益于自身差异化技术组合满足了客户在云和数字化转型上的优先需求。
他说:“我们集中执行和有效管理暂时性的供应链问题,这让我们能够抓住不断扩大的机会,同时在实现持续增长和提供运营杠杆上投入。”
NetApp以提供高端企业存储系统而著称,但是近几年它一直试图把自己重塑成为混合云数据服务和数据管理厂商,事实上NetApp目前大部分销售额都归属于云计算。
NetApp也一直保持着与AWS、谷歌云以及微软Azure等公有云基础设施厂商的密切合作,此外还将NetApp Ontap文件存储软件作为云上的托管服务进行销售。
NetApp表示,该季度混合云业务部门的收入为15亿美元,高于去年同期的14.2亿美元。与此同时,公有云业务部门销售额增长至1.1亿美元,高于去年同期的5500万美元。
NetApp的传统业务也有所增长,产品收入同比增长9%,达到8.46亿美元。
NetApp还为投资者带来了更多好消息。NetApp称,目前公有云年化收入同比增长98%,达到4.69亿美元,全闪存阵列ARR达到32亿美元,创历史新高。ARR是指企业根据已签订合同估算通过为客户提供服务可获得的收入。
Moor Insights & Strategy分析师Steve McDowell认为,该季度NetApp取得了可观的业绩,这得益于他们在云业务方面令人印象深刻的执行力。
他说:“几年前,NetApp把云和云原生作为战略核心的时候,有很多人持怀疑态度,但是NetApp在这项战略上执行得非常好,如今他们的公有云业务同比增长了98%,达到4.69亿美元,公有云的毛利率达到71%,非常高。”
他还强调了NetApp云收入的留存率达到了169%,这一点Kurian也在电话会议上有所强调。他说,这表明NetApp的云客户不仅继续选择与NetApp合作,而且普遍增加了他们的支出。
至于NetApp的传统存储硬件业务,则表现比较温和,与整个行业面临供应难题和高需求的情况下继续挣扎的情况是保持一致的。
此外,NetApp称该季度的账单金额为17.6亿美元,同比增长10%。账单金额是指向客户收取的发票金额,是衡量未来收入的另一个指标。
展望未来,NetApp预计第四季度收入在16.35亿美元至17.35亿美元之间,每股收益在1.21美元至1.31美元之间,此前华尔街预期的收入为16.7亿美元,每股收益为1.35美元。
McDowell表示,尽管市场做出了反应,但鉴于目前闪存市场的紧缩,NetApp的谨慎预测并非完全出乎意料。事实上,他相信大多数其他存储厂商在发布财报时都会重申这一点。
“NetApp的表现符合我们大多数人的预期,他们给出的指引看起来似乎也会和未来几周其他厂商陆续发布的结果相一致。”
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。