北京時(shí)間5月26日消息,58同城(NYSE: WUBA)今天發(fā)布了截至3月31日的2015財(cái)年第一季度未審計(jì)財(cái)報(bào)。財(cái)報(bào)顯示,按照美國(guó)通用會(huì)計(jì)準(zhǔn)則(GAAP)計(jì)算,58同城第一季總營(yíng)收為8710萬(wàn)美元,同比增長(zhǎng)80.5%;歸屬于58同城的凈虧損為5240萬(wàn)美元,去年同期則實(shí)現(xiàn)凈利潤(rùn)230萬(wàn)美元。
第一季業(yè)績(jī)要點(diǎn):
——總營(yíng)收為8710萬(wàn)美元,較去年同期的4820萬(wàn)美元增長(zhǎng)80.5%,超出了公司此前作出的8200萬(wàn)美元至8400萬(wàn)美元的指導(dǎo)性預(yù)期;
——毛利率為93.1%,較去年同期的94.9%下降1.8個(gè)百分點(diǎn);
——營(yíng)業(yè)虧損5780萬(wàn)美元,去年同期實(shí)現(xiàn)營(yíng)業(yè)利潤(rùn)170萬(wàn)美元;
——不按美國(guó)通用會(huì)計(jì)準(zhǔn)則(Non-GAAP),營(yíng)業(yè)虧損5310萬(wàn)美元,去年同期實(shí)現(xiàn)營(yíng)業(yè)利潤(rùn)270萬(wàn)美元;
——歸屬于58同城的凈虧損為5240萬(wàn)美元,去年同期歸屬于58同城的凈利潤(rùn)為230萬(wàn)美元;
——不按美國(guó)通用會(huì)計(jì)準(zhǔn)則,歸屬于58同城的凈虧損為4780萬(wàn)美元,去年同期歸屬于58同城的凈利潤(rùn)為330萬(wàn)美元;
——歸屬于普通股股東的每股美國(guó)存托股票(ADS)基本和攤薄虧損均為0.59美元。每股ADS代表2股A類(lèi)普通股;
——不按美國(guó)通用會(huì)計(jì)準(zhǔn)則,歸屬于普通股股東的每股ADS基本和攤薄虧損均為0.54美元;
——截至2015年3月31日,58同城持有現(xiàn)金、現(xiàn)金等價(jià)物、定期存款以及短期投資總額為4.308億美元。
展望:
58同城預(yù)計(jì),根據(jù)公司目前的運(yùn)營(yíng),第二季總營(yíng)收在1.45億美元至1.50億美元,同比增長(zhǎng)124.6%至132.3%。
股價(jià)表現(xiàn):
截至上周五收盤(pán),58同城股價(jià)上漲1.35美元,收?qǐng)?bào)79.11美元,漲幅為1.74%。過(guò)去52周,58同城股價(jià)最高為83.71美元,最低為34.64美元。
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)了SPIRAL框架,通過(guò)讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)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(wú)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(jì)大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的GIGA-ToF技術(shù)通過(guò)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(jī)噪聲問(wèn)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(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺(jué)解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺(jué)語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)法有效利用視覺(jué)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過(guò)動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。