中国,北京,2020年2月5日——全球领先的存储解决方案提供商希捷科技公司(NASDAQ:STX)日前发布了于2020年1月3日结束的2020财年第二财季财务报告。
希捷科技首席执行官Dave Mosley表示:“第二财季,在不断改善的市场需求环境下,希捷科技将非美会计准则(Non-GAAP)下营业利润率提升了近300个基点,非美会计准则(Non-GAAP)下季度每股摊薄收益(EPS)同比增长超过30%,同时获得了非常强劲的营业现金流。”
“凭借业界领先的16TB硬盘,我们实现了公司最快的产品升级,这为收入的连续增长和第二财季创纪录的EB出货量做出了贡献。我们有望从大容量存储设备的持续需求中受益,从而抵消上半年传统市场的季节性下滑。”
季度财务报告
|
|
美国会计准则 GAAP |
|
非美会计准则 Non-GAAP |
||||||||||||
|
|
FQ2 2020 |
|
FQ2 2019 |
|
FQ2 2020 |
|
FQ2 2019 |
||||||||
|
营收(百万美元) |
$ |
2,696 |
|
|
$ |
2,715 |
|
|
$ |
2,696 |
|
|
$ |
2,715 |
|
|
毛利率 |
28.1 |
% |
|
29.2 |
% |
|
28.7 |
% |
|
29.9 |
% |
||||
|
运营利润率 |
14.2 |
% |
|
15.3 |
% |
|
15.7 |
% |
|
17.2 |
% |
||||
|
净利润(百万美元) |
$ |
318 |
|
|
$ |
384 |
|
|
$ |
359 |
|
|
$ |
432 |
|
|
每股摊薄收益 |
$ |
1.20 |
|
|
$ |
1.34 |
|
|
$ |
1.35 |
|
|
$ |
1.51 |
|
2020财年第二财季中,公司营运现金流为4.8亿美元,自由现金流为2.86亿美元。希捷资产负债表健康,2020财年第二财季中,公司支付现金股息1.65亿美元,并以1.5亿美元回购250万股普通股。截至本财季末,现金和现金等价物总额为17亿美元,已发行和未发行普通股2.61亿股。
希捷科技公司还公布了补充财报信息,详情点击希捷官网投资者关系页面(investors.seagate.com)。
季度现金股息
董事会批准的季度现金股息为每股0.65美元,并将于2020年4月8日支付给2020年3月25日交易收盘时登记的所有股东。未来的季度股息支付将由公司董事会根据希捷的财务状况、运营业绩、可用现金、现金流、资本需求以及其它董事会认定的相关因素决定。
业绩展望
我们对2020财年第三财季的展望基于我们目前的假设和预期;实际结果可能因为包括下面前瞻性陈述的警示性说明中列举的重要因素在内的各种因素而有所不同。
公司预计2020财年第三财季的业绩如下:
非美会计准则(Non-GAAP)每股摊薄收益的预测不包含已知的用于购买无形资产的摊销费用以及股权激励支出,两项分别为每股0.05美元以及每股0.11美元。
公司尚未将非美会计准则(Non-GAAP)每股摊薄收益与最直接关联的美国会计准则(GAAP)相关指标进行对比,因为可能影响这些指标的重大事项不在我们的可控范围内和/或无法合理预测,这些项目包括但不限于加速折旧、资产减值、以及节约成本带来的费用、部门重组费用、战略投资损失或带来的减值、这些项目造成的所得税调整、以及其他可能产生的费用和收益。这些项目的数量目前暂时未知,但是可能对未来的财务结果产生巨大影响。很难将非美会计准则(Non-GAAP)每股摊薄收益与美国会计准则(GAAP)相关数据进行对比。以上新闻稿中包含了我们已经实现的非美会计准则(Non-GAAP)与最相关的美国会计准则(GAAP)有关指标的对比。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。