计算机网络设备厂商Juniper Network近日警告投资者称,由于持续供应链挑战,今年公司将面临“成本上升”,这导致Juniper的股价下跌超过5%。
就在发布这一警告之前,Juniper刚刚公布第一季度财报,结果喜忧参半,收益未达预期水平。
第一季度Juniper在不计入股票补偿等特定成本下的收益为每股31美分,收入为11.7亿美元,比去年同期增长9%,净收入为5570万美元,好于去年同期的亏损3110万美元。
此前华尔街预期的每股收益为32美分,收入不到11.6亿美元。不过,投资者显然期望能听到更好的消息,因为Juniper股价在延长交易时段内下跌了近6%,当天早些时候已经下跌了3%。
Juniper主要销售路由器和以太网交换机等计算机网络硬件,同时也是网络软件领域的领导者,以及提供很多安全工具。
Juniper公司首席执行官Rami Rahim在一份声明中向投资者表示,该季度Juniper的业务发展势头超出了预期。所有客户垂直行业均实现“稳定的订单双位数增长”。
“一定程度上,这一点说明了我们所在市场的健康状况,但这种需求在很大程度上可以归因于我们产品管理、工程和入市团队的强大执行力。我们相信,我们客户解决方案的技术差异点,将让我们能够从各行业未来几年增加网络基础设施需求的大好形势中受益。”
然而,真正引发关注的是Juniper对于供应链持续中断引发各种问题提出的警告。“与其他公司类似,我们也在经历持续的供应链挑战,这会导致交货时间延长,物流和零部件成本上升。”
因此Juniper针对未来三个月给出了较为谨慎的指引。Juniper表示,第二季度预期每股收益在40至50美分之间,中值略低于华尔街预测的每股46美分。收入预期在12.1亿美元至13.1亿美元之间,与华尔街预期的12.5亿美元大致相符。
Constellation Research分析师Holger Mueller认为,在过去这个季度Juniper通过出色的执行力实现了指引水平。“鉴于网络行业面临半导体和整体供应链方面的挑战,这是一项了不起的成绩。”
展望未来,Mueller认为将很难再次实现指引水平,但他不排除有这一可能性。他说:“Juniper在成本原则和实现目标的能力方面,为行业其他厂商树立了标准。如果有一点不足的话,那就是Juniper对研发投入进行了小幅削减,很有可能是为了弥补成本上的增加。”
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。