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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。