思科昨天公布了第三季度财报,收益和收入均超出华尔街的预期,并且给出了强劲的下季度预期,使得思科股价昨天出现上涨。该季度思科在不计入股票补偿等特定成本的利润为每股76美分,收入为119亿美元,此前华尔街的预期是每股利润70美分,收入118.5亿美元。
思科是众多受到疫情冲击的公司之一。思科在一份声明中表示,按年率计算思科的收入下滑了9%,是思科连续第四个季度收入下滑。
思科的问题在于很大一部分收入来自向企业售卖数据中心和办公设备,但是现在由于越来越多的员工在家办公,这部分收入大大缩水。
该季度思科在产品方面的收入为85.8亿美元,较去年同期下滑13%。基础设施平台产品(思科的网络和路由器)收入下滑了16%,至63.4亿美元。思科向投资者表示,这部分业务受到疫情影响最大。
该季度思科的应用销售额下滑了8%,至13.8亿美元,但其中一个亮点是安全产品的销售额增长了6%,至8.61亿美元。
思科首席执行官Chuck Robbins向分析师表示,该季度来自公共部门的收入增长了5%,这主要是由于刺激性支出增加了美国和国外的政府订单,但他同时表示,来自企业、商业和服务提供商客户的订单均有所下降。
Robbins在分析师电话会议上说:“我满怀希望的事情将会发生,我认为我们也确实看到了这一点,那就是客户非常专注于让员工能够正常地在家办公并确保安全性。我认为大家都想做到这一点,上个季度他们有所停滞,我们的订单也有所停滞,现在他们重新确定了支出的优先级,然后我们开始看到一些转机。”
未来几个月这些客户可能会成为思科业务的支撑。思科预计,第二季度收入预计在每股74至76美分之间,同比减少2%,华尔街此前预期的利润为73美分,收入为116.3亿美元,较上年同期减少3%。
这个预期非常不错,足以让投资者们相信思科会在不久的将来扭转局面,这也使得思科股价在盘后交易中上涨了7%多。
Moor Insights&Strategy分析师Patrick Moorhead表示:“对于大多数基础设施提供商而言,这是一个艰难的时期,幸亏思科可以依靠安全业务和SaaS业务来缓解一下。安全业务、Meraki和Webex的市场需求十分强劲,这一定程度上弥补了网络基础设施业务的下滑。”
Moorhead表示,思科最新的Catalyst 9000交换机和WiFi6产品销售表现强劲,这让人备受鼓舞。Moorhead说:“这一消息令我感到高兴,这也让作为服务销售的软件产品增长了4%。思科关于更深入地开发软件和服务的战略,正在取得成效。”
Pund-IT分析师Charles King认为,思科股价在盘后交易中大涨说明了超出华尔街预期所能带来的价值。King说,思科很幸运地看到公共领域业务和安全业务的销售额有所增长,这有助于弥补基础设施平台产品组合的不足。
King说:“这帮助思科在该季度的表现超出预期,并且给出的下季度指引也略高于分析师的预期。这虽然不算是一个表现特别出色的季度,但是想要取得胜利往往并不需要拔得头筹。”
思科在另一份公告中表示,首席财务官Kelly Kramer将于12月退休,将由前Autodesk首席财务官Scott Herren接任。
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。