4月23日消息,據(jù)國外媒體報道,eBay今天發(fā)布了截止2015年3月31日的第一季度財報。報告顯示,eBay第一季度的凈營收為44.48億美元,比去年同期增長4%;按美國通用會計準則凈利潤為6.26億美元,同比扭虧。2014年一季度eBay從海外調(diào)度60億美元資金進入美國,美國政府對eBay課稅近30億美元,導(dǎo)致按美國通用會計準則巨虧。非美國通用會計準則凈利潤9.43億美元,同比去年8.99億美元增長5%。
在截至3月31日的第一季度,eBay的凈營收為44.48億美元,比去年同期的42.62億美元增長4%。非美國通用會計準則凈利潤9.43億美元,同比去年8.99億美元增長5%;eBay第一季度每股攤薄收益為0.77美元,比去年同期的0.70美元增長10%。
按美國通用會計準則,eBay第一季度凈利潤6.26億美元,比去年同期增長127%;按美國通用會計準則,eBay第一季度每股攤薄利潤為0.51美元,比去年同期增長128%。
2015年第一季度現(xiàn)自由現(xiàn)金流8.29億美元,共回購10億美元普通股。
財務(wù)分析
網(wǎng)絡(luò)拍賣服務(wù):
2015年第一季度,eBay網(wǎng)絡(luò)拍賣服務(wù)凈營收為20.69億美元,比去年同期的21.55億美元下滑4%。
網(wǎng)絡(luò)支付服務(wù):
2015年第一季度,eBay網(wǎng)絡(luò)支付服務(wù)PayPal的凈營收為21.08億美元,比去年同期增長14%。
企業(yè)業(yè)務(wù):
2015年第一季度,eBay企業(yè)業(yè)務(wù)的凈營收為2.88億美元,比去年同期增長7%。
其它財務(wù)數(shù)據(jù):
營業(yè)利潤率 - 按美國通用會計準則2015年第一季度運營利潤率下降至16.4%,去年同期為20.6% 。非美國通用會計準則運營利潤率上漲至27%,去年同期為26.9%。
稅務(wù) - 美國通用會計準則有效稅率2015年第一季度為15.4%,2014年第一季度為366.4%。2015年和2014年第一季度,非美國通用會計準則有效稅率分別為21.5%和21.2%。
現(xiàn)金流 - 該公司2015年第一季度產(chǎn)生經(jīng)營性現(xiàn)金流為12.00億美元,自由現(xiàn)金流8.29億美元。
股票回購計劃 - 該公司在2015年第一季度回購1760萬股普通股,價值10億美元,該公司剩余的股票回購授權(quán)為20億美元。
現(xiàn)金及現(xiàn)金等價物和非股權(quán)投資 - 該公司的現(xiàn)金及現(xiàn)金等價物和非股權(quán)投資組合總額為141億美元。
業(yè)績展望
eBay預(yù)計2015年第二季度凈營收為44億美元到45億美元;按照美國通用會計準則,第二季度每股攤薄收益為0.44美元到0.49美元;不按照美國通用會計準則,第二季度每股攤薄收益為0.71美元到0.73美元。
eBay預(yù)計2015年全年凈營收為183.5億美元到188.5億美元;按照美國通用會計準則,2015年每股攤薄收益為2.17美元到2.32美元;非美國通用會計準則,2015年每股攤薄收益為3.05美元到3.15美元。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。