ZD至顶网网络频道 08月27日 综合消息: 博科(Brocade)两个月前将Ruckus Wireless收归旗下。此举对博科本财季的表现有帮助。博科2016年第3财季的收入同比上涨7%,达 5.91亿美元, 环比上涨13%。但该财季的利润仅 1050 万美元,同比下跌89%,去年同期的利润为9170万美元,环比下跌23.3%,上季度的利润为 4300万美元。
究其原因部分是因为收购相关项,包括与收购相关的库存品低毛利率和递延收入、收购及整合成本以及无形资产摊销的增加和基于股票的补偿。
各产品部门的情况如下:
√ SAN 产品收入为 2.82 亿美元,同比下降 9%
• 光纤通道控制器销售下降 23%
• 固定配置交换机销售增长 3%
• IP 网络产品收入为 2.09 亿美元,包括 7300 万美元的Ruckus Wireless产品收入,同比上涨36% 。
IP 网络业务受低美国联邦收入的影响,同比下跌 26%,主要由大订单的时间导致的。
博科指,"我们的SAN收入同比下跌和环比下跌主要是因为许多大型交易的完成时间长,而交换机收入的改善则主要是全闪存阵列部署的突出需求。就总体而言,SAN 产品收入下降,与我们的许多OEM 合作伙伴就较弱的存储需求环境所作的评论是一致的。"
网络监控
博科更新了旗下的分析监测平台,平台现在包括:
• 流收集 --- 每个设备级别、应用程序或其他数据逻辑组的自定义监测,可简化故障排除,加快规划过程和为用户提供更好地监视选项
• 在网络顾问(Network Advisor)里优化了用户工作流,可加快问题行为的确认和根本原因的分析
• 侦查模式提供了直观的视图,有助探明下层细节
• 流过滤功能可以在成千个设备和数以万计流的复杂、虚拟化环境里找到关键信息
• 可定制报告功能可将度量和事件关联起来,可将行为分析的趋势归总,可直观地将合规性和性能SLA演示出来
• 网络顾问的新数据库架构为大型环境提供了更快响应的用户体验和更强的可扩展性
• 新的人性化仪表板用户界面和现代硬件设计
结构层次上的光纤通道NVMe
光纤通道 SAN业务推出了32Gbit/s 产品,而业务则受到偏爱以太网的超级融合基础架构系统的威胁,结构层次上的NVMe 交换取代共享存储用的传统FC/SCSI-连接,这对光纤通道 SAN业务也有威胁。本月早些时候,光纤通道工业协会 (FCIA)在美国加州圣克拉拉召开的闪存峰会上议首次公开演示了利用光纤通道完成的结构层次上的NVMe。
QLogic图:利用光纤通道完成的结构层次上的NVMe
• 光纤通道延迟减少了 55%以上
• 多协议存储区域网络 (SAN) 通信简化了现有的 FC 存储资源和FC 存储上NVMe之间的数据移动
• 利用现有光纤通道结构资源进行托管并发 NVMe 和 SCSI 数据通信
• 打造 NVMe 数据中心的工具 --- 光纤通道NVMe数据包捕获和 NVMe 解码
如果安装 FC 基群能存在FC 结构层次上的NVMe升级路径,那么对博科业务是有益处的。网上可以搜到讨论该想法的 QLogic 白皮书。
博科下季度收入预期为 6.3 亿至 6.5 亿美元之间;中间点为6.4亿美元,按中间点算全年收入为23亿美元。比去年的 22.6亿美元略有上升。
笔者认为,将光纤通道安装基群迁移到结构层次上的NVMe运行是件明显不过的事情。客户会爱上结构层次上NVMe的采用方便,还可以大幅降低数据访问延迟。
好文章,需要你的鼓励
Anthropic推出首个行业定制版AI产品Claude for Financial Services,专为金融行业打造。该服务基于Claude企业版,提供更高使用限制、内置数据连接器以及提示词库。新版本预装了连接FactSet、PitchBook等金融数据提供商的MCP连接器,并包含实施支持。针对金融分析师工作负载大的特点,该服务显著提升了速率限制,同时提供提示词库帮助用户更好地构建查询。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
多年来,Cursor、Windsurf和GitHub Copilot等代码编辑工具一直是AI编程的标准。但随着代理AI能力增强,AI系统正从处理代码转向直接与系统终端交互。Anthropic、DeepMind和OpenAI都推出了命令行编程工具。终端工具采用更广阔视角,不仅关注代码,还涉及整个程序运行环境,包括DevOps任务。研究显示传统代码助手可能降低效率,而Warp等终端工具在TerminalBench基准测试中表现出色,能够自主处理开发者的非编码工作。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。