截至3月31日的第二季度,F5在不计入股票补偿等成本下的利润为1.31亿美元,即每股2.13美元,低于去年同期的1.55亿美元,即每股2.50美元,收入同比下滑2%至6.34亿美元,此前分析师预期的每股利润为2.01美元,收入为6.34亿美元。
该季度的一大亮点是,F5在今年2月推出了一个新的软件即服务分布式云服务平台。该解决方案结合了收购Volterra和Shape Security所获得的技术,用于提供负载平衡、多云网络、云原生边缘计算服务、以及Kubernetes网关。
展望未来,F5预计第三季度收入在6.6亿美元至6.8亿美元之间,增幅在1.5%至4%之间,低于之前预期的4.5%至8%。
与上一季度一样,F5再次发出有关供应链受限的警告。疫情导致的半导体短缺并不是F5一家公司面临的问题。英特尔首席执行官Pat Gelsinger去年曾警告称,半导体短缺可能会持续到2023年,而今年试图通过扩大生产解决该问题却由于缺乏熟练工人而受到阻碍。
F5公司总裁兼首席执行官François Locoh-Donou在一份声明中表示:“软件强劲增长40%,这让我们能够高于收入指引的中间点,以及该季度非GAAP每股收益指引的上限。虽然半导体组件短缺导致我们的系统交付能力受限,但由于客户对多云应用安全和交付的需求不断增长,我们的软件业务发展势头是很强劲的。”
尽管F5该季度的盈利和收入均超出预期水平,但投资者关注的还是芯片短缺导致低于预期的前景,这使得F5股价在尾盘下跌近10%。
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。