营收31.2亿美元
美国会计准则(GAAP)运营利润率18.6%;非美会计准则(Non-GAAP)运营利润率19.9%
美国会计准则(GAAP)每股摊薄收益(EPS)2.23美元;非美会计准则(Non-GAAP)每股摊薄收益2.41美元
运营现金流5.21亿美元,自由现金流4.26亿美元
通过股息和510万普通股回购,向股东返还6.22亿美元
财年运营现金流19亿美元,财年自由现金流14亿美元
中国,北京,2022年1月27日——全球领先的数据存储基础设施解决方案提供商希捷科技公司(NASDAQ:STX)日前发布了于2021年12月31日结束的2022财年第二财季财务报告。
希捷科技首席执行官Dave Mosley博士表示:“回顾2021年,希捷表现卓越。与上一财年相比,营收上涨18%,更是实现了39%的自由现金流增长,我们正将其有效地投入我们长期的资本回报项目中。”
“由于云数据中心对于大容量近线产品的强劲需求,本财季业绩突出,包括实现了6年以来的营收最高位。我们将继续在充满不确定性的商业环境中运营。今年,强劲的需求趋势推动我们营收增长,与我们3%至6%的长期财务增长区间保持一致,除非出现重大宏观性突发情况,希捷将以2021年所取得的业绩为基础,继续再接再厉 。”
季度财务报告
|
美国会计准则 GAAP |
|
非美会计准则 Non-GAAP |
||||||||||||
|
FQ2 2022 |
|
FQ2 2021 |
|
FQ2 2022 |
|
FQ2 2021 |
||||||||
营收(百万美元) |
$ |
3,11 |
6 |
|
$ |
2,623 |
|
|
$ |
3,116 |
|
|
$ |
2,623 |
|
毛利率 |
30.4 |
% |
|
26.5 |
% |
|
30.7 |
% |
|
26.8 |
% |
||||
18.6 |
% |
|
13.3 |
% |
|
19.9 |
% |
|
14.7 |
% |
|||||
净利润(百万美元) |
$ |
501 |
|
|
$ |
280 |
|
|
$ |
543 |
|
|
$ |
323 |
|
每股摊薄收益 |
$ |
2.23 |
|
|
$ |
1.12 |
|
|
$ |
2.41 |
|
|
$ |
1.29 |
|
2022财年第二财季,公司营运现金流为5.21亿美元,自由现金流为4.26亿美元。希捷资产负债表健康。在第二财季中,公司支付现金股息1.51亿美元,并以4.71亿美元回购510万股普通股。现金和现金等价物总额为15亿美元。截至本财季末,已发行和未发行普通股2.19亿股。
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0.70美元,并将于2022年4月6日支付给2021年3月22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2022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2022财年第三财季业绩如下:
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0.02美元以及每股0.17美元。
公司尚未将2022财年第三季度的非美会计准则(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2022财年第三季度的非美会计准则(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。