5月16日,中国互联网内容传送服务整体解决方案提供商蓝汛国际控股有限公司(以下简称“ChinaCache”)公布了截至2014年3月31日第一季度未经审计的简明合并财务报告。
2014年第一季度业绩概要:
•净营业收入第一季度达到3.239亿元人民币(约合5210万美元),超过营收预期约5.2%,比去年同期增加40.4%;
•毛利润第一季度达9830万元人民币(约合1580万美元),比去年同期增加38.0%;
•调整后EBITDA(即在非公认会计原则下)第一季度为2540万元人民币(约合410万美元),比上一季度增长25.2%,比去年同期长159.8%;
•普通股股东应占净收入第一季度为630万元人民币(约合100万美元),上一季度普通股东净亏损为1400万元人民币,去年同期普通股股东应占净亏损为850万元人民币;
•调整后净收入(即在非公认会计原则下)第一季度为270万元人民币(约合40万美元),上季度调整后净亏损为720万元人民币。去年同期调整后的净亏损为750万元人民币。
蓝汛创始人、董事长兼首席执行官王松回顾,在第一季度,ChinaCache与中国电信达成战略合作,共同打造并管理中国电信的CDN网络;另外,在4月份与人民网达成框架协议,蓝汛为其建造了一个云数据中心。
2014年Q1财务数据:
净营业收入达3.239亿元人民币(约合5210万美元),比上季度下降4.6%,比去年同期增加40.4%。净营业收入超过预期,是由于媒体和娱乐的视频业务表现突出。
营业成本达2.256亿元人民币(约合3630万美元),较上季度减少了2.8%,较去年同期增长了41.4%;毛利率为30.3%,上季度毛利率为31.6%,去年同期为30.9%。非公认会计原则下,2014年Q1除去期权费用,毛利率为30.5%,上季度为31.7%,去年同期为31.1%。
销售和市场费用达3270万元人民币(约合530万美元),占净营收的10.1%,较上季度下降了14.1%,比去年同期增长22.3%。
管理费用为3720万元人民币(约合600万美元),占净营收的11.5%,较上季度减少14.3%,较去年同期增加22.8%。
研发费用达2820万元人民币(约合450万美元),占净营收的8.7%,较上一季度下降了7.7%,较去年同期增加了33.4%。
运营收入为20万元人民币(约合3.3万美元),相比上季度的运营亏损为600万元人民币,去年同期运营亏损为690万元人民币。在非公认会计原则下,除去期权费用、可供出售资产减值后,运营收入为370万元人民币(约合60万美元),上季度非公认会计原则下运营亏损为110万人民币,去年同期非公认会计原则下运营亏损为530万元人民币。
所得税费用为80万元人民币(约合10万美元),上季度所得税收益为940万元人民币,去年同期所得税费用为310万元人民币。
净利润为630万元人民币(约合100万美元),上季度净亏损为1400万元人民币,去年同期净亏损为850万元人民币。2014年Q1每股美国存托凭证(ADS)的基本和稀释后净利润分别为0.26元人民币(约合0.04美元)和0.25元人民币(约合0.04美元)。每股美国存托凭证折合16股公司普通股。
调整后或非公认会计原则下的净收入,即扣除期权费用、外汇损益、由不确定的财务状况所导致的税金之前的净收入达270万元人民币(约合40万美元)。相比之下,上季度为调整后净亏损为720万元人民币,去年同期调整后净亏损为750万元人民币。在非公认会计原则下,2014年第一季度每股美国存托凭证的基本和稀释后净亏损分别为0.11元人民币(约合0.02美元)和0.11元人民币(约合0.02美元)。
调整后的EBITDA,即在非公认会计原则下除去期权费用和外汇损益、可供出售投资减值后上涨到2540万元人民币(约合410万美元)。上季度调整后的EBITDA为2030万元人民币,去年同期为980万元人民币。
资本投入
截至2014年3月31日,蓝汛公司拥有现金及现金等价物5. 217亿元人民币(约合8390万美元),去年同期为3.381亿元人民币。此外,蓝汛公司在流动资产下以人民币标价的可供出售基金形式的投资达2470万人民币(约合400万美元)。2014年Q1资本支出为2970万元人民币(约合480万美元)。
股票回购
公司董事会于2013年6月21日批准重启去年宣布的1000万美元的股票回购计划。根据该重启计划,蓝汛ChinaCache获准但并无义务在未来12个月中,在公开市场或进行大手交易回购价值850万美元的美国存托凭证。
截至2014年5月15日,在此项重启计划中,公司并未回购任何ADS(美国存托凭证)。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。