数据保护软件厂商Commvault发布第四季度财报,收益和收入均轻松超出预期水平。
该季度Commvault在不计入股票补偿等成本之后的每股收益为75美分,收入为2.059亿美元,同比增长8%,净收入为800万美元,此前华尔街分析师预期的每股收益为64美分,销售额为2.02亿美元,因此这一业绩结果令人鼓舞。
从2022财年全年来看,Commvault总收入7.696亿美元,净收入3360万美元。
Commvault公司总裁兼首席执行官Sanjay Mirchandani(如图)表示,公司实现了创纪录的季度业绩,为历史上最好的一年画上了句号。“市场对我们差异化的产品组合需求强劲,团队正在发挥执行力,抢占市场份额。”
Commvault主要业务是提供数据保护软件,企业使用Commvault的软件来备份他们的关键业务记录,免受网络中断和网络攻击。Commvault还涉足其他一些相关领域,销售保护客户本地数据中心信息的数据备份一体机,以及帮助客户降低存储成本的数据管理软件。
Commvault表示,该季度的软件和产品收入达到1.005亿美元,比去年同期增长12%,这主要是由于大宗交易收入增长了19%,占该类别总销售额的73%。全年来看,软件和产品收入达到3.565亿美元。
Commvault的服务业务收入略高一些,收入为1.055亿美元,比去年同期增长3%,而这主要得益于市场对Commvault软件即服务产品的浓厚兴趣。2022财年来看,服务收入增长4%,达到4.131亿美元。
此外,Commvault的年化经常性收入(是指现有订阅的标准化年收入)为5.833亿美元,这是一项很重要的指标,可提供对企业同比表现的概览,让企业能够更准确地预测未来收入增长情况。
展望下个季度,Commvault预期第一季度收入约为1.95亿美元,略高于华尔街普遍预期的1.937亿美元,但没有给出全年预测。
Constellation Research分析师Holger Mueller表示,尽管Commvault该季度表现很好,超出了预期水平,但考虑到它提供的解决方案以及当今企业数据消耗正呈现爆炸式增长的事实,收入仅增长10%可能还不够高。
“对于Commvault来说,这是一个强劲的、扭亏为盈的一年,年利润增加了6000万美元,从去年全年的亏损转变为刚刚过去这一年的胜利。现在所有的目光都集中在下个季度,以及Commvault能否能够在第四季度基础上,再次突破软件和产品收入1亿美金这个壁垒。”
其他方面,Commvault宣布公司首席财务官Brian Carolan在任职超过21年后将于7月1日辞职,好消息是该公司已经安排了继任者,Gary Merrill将成为新一任首席财务官。Commvault表示,由于Merrill和Carolan长期以来一直是同事,他们将密切合作以确保顺利过渡,将影响降至最低。
Mirchandani表示:“作为业务运营负责人,Gary一直在领导我们的转型计划,以构建一个现代化的业务平台。”
该季度Commvault回购了约60万股普通股,价值3980万美元,董事会还宣布了一项从2023财年开始的新股票回购计划,预计花费高达2.5亿美元回购股票。
Mirchandani表示:“我们仍然相信我们资产负债表的实力,加上业务当前情况和长期前景,让我们有机会为长期股东创造价值。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。