至顶网网络频道 11月21日 综合消息: Palo Alto Networks于本周一公布了2018财年第一季度的业绩,超出了市场预期并使得盘后交易股价上涨。非GAAP净收益为6980万美元,或者每股摊薄收益为74美分,去年同期非GAAP净收益为5120万美元,或者每股摊薄收益55美分。第一季度的收入为5055万美元,同比增长27%。而此前华尔街预期的非GAAP收益为69美分,收入为4890万美元。
Palo Alto Networks公司首席执行官Mark McLaughlin在一份声明中表示:"我们继续提供高度自动化和编排的安全能力,提高预防率和简化消费模式,从而在一个庞大且不断增长的市场中推动颠覆性的发展。"
除此之外,Palo Alto Networks在第一季度新增了2500家客户,使得客户总数超过了45000。即将退休的首席财务官Steffan Tomlinson认为这个表现抢眼的季度要归功于公司"扩张"的市场模式,以及自己Next-Generation Security Platform的普及。
他说:"再一次,我们的增长速度明显快于市场和竞争对手。"
此外,Palo Alto Networks还宣布任命Kathy Bonanno为下一任CFO。她从2014年开始在Palo Alto Networks担任高级财务职位,在此之前,她在赛门铁克公司和美国航空公司担任高级财务职位。在一份声明中McLaughlin表示:"在Palo Alto Networks工作超过3年,在网络安全领域十多年,Bonanno拥有对公司、行业、整个金融学科的广泛专业知识以及构建世界级企业组织的良好记录。"
展望未来,Palo Alto Networks预计第二季度非GAAP每股净收益在78美分到80美分之间,收入在5.18亿美元到5.28亿美元之间。
从2018全财年来看,Palo Alto Networks预计非GAAP每股净收益在3.35美元到3.41美元之间,收入在21.45亿美元到21.85亿美元之间。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。