Arista Networks日前发布了季度业绩报告,包括Facebook在内的超大规模数据中心运营商的需求导致第一季度盈利的增长,Facebook最近与Arista在合作开发分组交换机。
Arista在截至3月31日为止的三个月收入为5.954亿美元,同比增长26%,但与上一季度相比持平,大致符合预期。
Arista首席执行官Jayshree Ullal在财报电话会议上表示,“在2019年第一季度里,云巨头细分市场是我们最大的垂直市场。”(https://seekingalpha.com/article/4259433-arista-networks-anet-ceo-jayshree-ullal-q1-2019-results-earnings-call-transcript?part=single)
这既是祝福也是诅咒:Ullal表示,Arista曾预测第二季度会出现低迷,因为Arista已经向主要云客户提供了一系列套件,因而预计2019财年上半年会有一段吸收时间。即将到来的放缓的消息旋即导致股价下跌,交易时段Arista股价下跌了16%。
Arista由三位前思科高管创立,负责人Ullal在交换巨头思科工作了15年,曾与思科长期首席执行官John Chambers一起工作,Ullal最后离开思科。然后Arista就迅速开始蚕食思科的收入。
Arista称在第一季度吸引许多百万美元客户,创下记录。企业客户是继一线云供应商之后的第二大客户群,其次是金融机构,后一类得益于最近收购的低延迟交换专家Metamako。二级云专业提供商和服务提供商排在第四和第五位。
Arista产品的季度收入达5.054亿美元,同比增长24%,而服务在季度内净赚9000万美元,增长了38.7%。差不多四分之三的收入来自美国市场。
Ullal表示,“我们在第一季度与7368 Spline一起发布了两个主要新产品的公告,我们与Facebook密切合作开发,因而我们的旗舰EOS以及Facebook的操作系统得到了平台的支持。”
他表示,“我们还推出了第一款低延迟高精度网络应用平台7130。我们很高兴地看到我们的软件订阅在该季度的创下纪录,与2018年第一季度比翻了一番,CloudVision(https://www.theregister.co.uk/2016/12/06/arista_cloud_portal_bug/)的接受程度越来越高。”
其他有关数据包括:
现金已授权一项10亿美元的股票回购计划,该计划将持续到2022年4月,现金由营运资金提供资金。
Arista目前的问题在第二季度的指引里突出地表现了出来;Arista预计营收为6亿至6.1亿美元,低于分析师的预期 ,投资者迅速泼冷水,股价应声下挫。
Ullal做了如下的解释,“我们看到3月下旬和4月份的订单强度低于正常水平。因此,我们预测2019年第二季度的增长将偏离我们的正常和历史模式出现放缓。造成这种情况的一些原因为,2018年实现的大规模云计算提供商里的一家提供商导致了2019年上半年吸收期的出现。“
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。