数据保护厂商 N-able 在其 2025 年第一季度报告中显示亏损且增长放缓。
该公司向超过 25,000 家管理服务提供商 (MSPs) 提供数据保护和安全软件,而这些 MSP 反过来又为中小市场企业提供服务。同时,它还向分销商、系统集成商 (SIs) 以及增值经销商 (VARs) 销售产品。2025 年第一季度的收入达到 1.182 亿美元,同比增长 3.9%,超出其预期区间,但按 GAAP 核算录得亏损 720 万美元。订阅收入增长 4.8% 至 1.168 亿美元,毛利率则为 76.6%。
N-able 总裁兼 CEO John Pagliuca 表示:“我们的业绩反映出在全球范围内推进企业网络韧性方面持续取得进展。新安全功能的推出、合作伙伴计划中大量渠道合作伙伴的加入,以及有史以来最大的预定订单均展示了 N-able 的创新和成长。我们期待在全年内基于这一进展实现更进一步的发展。”
亏损的原因在于收入成本、运营费用和收购成本的增加。
Pagliuca 在财报电话会议中表示,N-able 已签署“有史以来最大的预定订单”。
一张收入历史图表显示,N-able 的增长率一直在下降:
N-able 的净保留率 (NRR) 为 101%,这表明客户收入有所增长且客户流失较低。在 2024 年该指标为 103%,2023 年为 110%,2022 年为 108%。净保留率越高,公司增长率越高。100% 的净保留率意味着客户流失所损失的收入被新客户增加、升级销售和交叉销售所抵消。低于 100% 的净保留率则表明企业保持了大部分客户,但收入增长并未达到最优水平。N-able 的净保留率虽不低于 100%,但也仅略高于这一水平。
问题在于,正如第二张图所示,自 2023 年第二季度达到高峰以来,N-able 的季度收入增长率已连续七个季度下降。
通过 MSP 渠道提供网络韧性服务类似于特许经营模式。随着现有 MSP 合作伙伴不断引入新客户、从现有客户中增加收入以及招募新的 MSP 合作伙伴,其收入理论上应不断增长。但如上图所示,N-able 的特许经营伙伴推动收入增长的速度正在逐步放缓。
去年 11 月,为了扩展安全产品组合并为 MSP 合作伙伴提供可销售给其客户和渠道的新服务,N-able 收购了专注于网络安全的 Adlumin。此项交易还引入了分销商、增值经销商 (VARs) 和系统集成商 (SIs),使 N-able 获得了更多渠道合作伙伴及交叉销售的机会。
Pagliuca 预计净保留率将进一步提升,并表示:“我们期望主要通过在现有客户群中实现交叉销售机会来推动这一改进。”
N-able 对第二季度的预期为 1.26 亿美元 ± 50 万美元,中值同比增长 5.5%。其 2025 年全年预期为 4.945 亿美元 ± 250 万美元,中值同比增长 6%,这表明其预计第二、三、四季度的收入增长率将保持在 5% 以上。
分析师 Jason Ader 表示:“虽然公司今年正经历多项同步转型(渠道扩展、安全产品投资以及交叉销售/平台化转型),这些因素对盈利能力形成压力并带来一定的执行风险,但我们认可管理层积极进取的姿态,并相信这预示着未来更大的总可用市场、更快的增长以及更高的运营杠杆。”
N-able 已经启动了一项 7500 万美元的股票回购计划。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。