美国网络基础设施制造商Extreme Networks发布业绩报告,营业额出现两位数的反弹,但公司股价在周三第四季度财报发布后后几乎跌了五成。这是在提醒大家,科技公司如业绩未能达到华尔街的预期就存在危险。
在截至6月30日为止的该季度里,Extreme Networks的收入增长了56%,达2.783亿美元,远远高于去年同期1.789亿美元的收入,但低于分析师预期的2.7922亿美元。
加上Extreme公布的亏损为560万美元,虽然比上一季度亏损的1300万美元有改善,但去年同期则录得利润1320万美元。
首席执行官Ed Meyercord则高调表示自动化校园业务方面的出货量“稳定“以及软件销售及相关服务录得创纪录的1100万美元季度业绩。但他未能用同样热情洋溢的词汇来谈论从博科收购的数据中心网络产品的业绩。
他提到下一代SLX平台称 “高端数据中心胜出”,其中包括签了20个100万美元以上的交易,是上一季度的两倍,但他补充表示,“离我们的内部预期略逊一筹。”
Meyercord在电话会议上表示,“我们对本季度最后一周数据中心订单短缺了1000万美元感到惊讶。很明显,我们在渠道的处理上存在不足。为了解决这个问题,我们改组了领导层,我们还调低了2019财年第一季度第二季度的季度预期收入约5000万美元。
他称,路由器产品组合将“在2018年年底全面完成,而且我们将以交换端口价提供路由器端口规模。”
在整个2018财政年度,Extreme的销售额为9.83亿美元,亏损4,680万美元。相比之下,上一个财政年度的销售额为6.07亿美元,亏损174万美元。
Extreme公司提供给投资者的幻灯片([PDF] http://investor.extremenetworks.com/static-files/cc02a93a- 9226-40dc-9dab-41d6fa2e8267 )显示,Extreme的库存积压在增加,本季度的积压为6390万美元,而上一季度的积压为4740万美元 -- 本季度的资本支出为1840万美元,而去年同期的支出为260万美元。花更多钱,获利更多,但赚钱少了。
Meyercord表示:
我们正在精简我们的产品组合,并在积极提出减少与旧产品相关的SKU以及之前宣布的寿命终止产品的计划。我们对渠道中的产品组合进行了评估,我们确认了提高灵活性、提高效率和提高利润率的时机。
首席财务官Drew Davies.表示,公司在2018年财政年度末账面上的债务总额减去贷款费用为1.98亿美元,“归因于与Campus Fabric收购相关的借款以及我们在2018年5月1日结束的新定期贷款和循环信贷额”。
Extreme预计,收入大致会减少以及亏损将在不久的将来深化,预计2019财年第一季度的亏损将在690万美元至1460万美元之间。
Extreme Networks此前曾于去年收购了Avaya的网络商务和Brocade的数据中心业务。Davies在其评论文章(http://investor.extremenetworks.com/static-files/2e7a7520-72e5-46cd-bfab-b1a9b6cb5df0 PDF,其实更多的是个声明而不是评论文章)将当前的困境归结为“由我们的校园结构和数据中心导致的收购财会调整“。
Extreme的股价在在公布业绩时从9美元左右跌至5.89美元,本文完稿时上涨至6.24美元。
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。