北京時間2月4日消息,運動相機廠商GoPro(Nasdaq:GPRO)周三發(fā)布了該公司截至2015年12月31日的第四季度及全年財報。財報顯示,GoPro第四季度營收為4.36億美元,較上年同期的6.34億美元下滑31.1%;基于美國通用會計準(zhǔn)則(GAAP),歸屬于普通股股東的凈虧損為3445萬美元,上年同期為凈利潤1.22億美元,同比轉(zhuǎn)虧。
營收:營收為4.36億美元,較上年同期的6.34億美元下滑31.1%。
凈利潤(虧損):基于GAAP,歸屬于普通股股東的凈虧損為3445萬美元,上年同期為凈利潤1.22億美元,同比轉(zhuǎn)虧。2015年第四季度每股攤薄虧損為0.25美元,上年同期每股攤薄收益為0.83美元。
基于非美國通用會計準(zhǔn)則(Non-GAAP),凈虧損為1140萬美元,上年同期凈利潤為1.45億美元。2015年第四季度每股攤薄虧損為0.08美元,上年同期每股攤薄收益為0.99美元。
營業(yè)利潤(虧損):基于GAAP,營業(yè)虧損為4130萬美元,上年同期營業(yè)利潤為1740萬美元;基于Non-GAAP,營業(yè)虧損為2160萬美元,上年同期營業(yè)利潤為1930萬美元。
股票回購:GoPro在第四季度回購了約150萬股A級流通股,平均回購價格為23.05美元,投入約3560萬美元現(xiàn)金。
現(xiàn)金:截至2015年12月31日,GoPro持有的現(xiàn)金、現(xiàn)金等價物和有價證券總額為為4.74億美元,高于上年年底的5200萬美元。
營收:2015財年營收為16.20億美元,較上年的13.94億美元增長16.2%。
凈利潤(虧損):基于GAAP,凈利潤為3613萬美元,較上年的1.28億美元下滑71.8%;每股攤薄收益為0.25美元,較上年凈的0.92美元下滑72.8%。
基于Non-GAAP,凈利潤為1.12億美元,較上年的1.89億美元下滑40.9%;每股攤薄收益為0.76美元,較上年的1.32美元下滑42.4%。
2015年度,GoPro公司國際業(yè)務(wù)營收在總營收中的占比超過50%;亞太區(qū)和歐洲、中東和非洲的營收同比增幅超過49%。
中國市場依舊是GoPro全球十大市場之一。
第四季度,GoPro移動客戶端下載量達(dá)到275萬次,總累計下載量約為2400萬次。
GoPro Studio第四季度安裝總量達(dá)到近170萬次,累計安裝次數(shù)超過1500萬次,第四季度的日平均視頻輸出量超過49000個。
2016年第一季度:GoPro預(yù)計,2016年第一季度營收將在1.6億美元至1.8億美元之間。
2016年全年:2016全年的營收將在13.5億美元至15億美元之間。
截至周三納斯達(dá)克股市收盤,GoPro股價漲0.47美元,漲幅為4.59%,收于10.71美元。美股盤后市場,GoPro股價重挫,截至美東時間2月3日下午17:21(北京時間2月4日早6:21),GoPro股價下跌1.07美元,重挫9.99%,暫報10.71美元。過去52周GoPro股價浮動范圍:9.90美元-65.49美元。(編譯/若水)
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(zhǔn)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。