
阿里同时宣布,现任COO张勇将出任集团CEO,2015年5月10日生效。
阿里表示,现任CEO陆兆禧将协助张勇确保在未来几个月成功过渡。陆兆禧仍将留任阿里董事会,担任副主席。
第四财季财务业绩:
——营收为174.25亿元(约合28.11亿美元),较上一财年同期的120.31亿元增长45%,增长主要受到中国零售商务业务持续快速增长的推动;
·中国零售商务业务营收为130.49亿元(约合21.05亿美元),较上一财年同期的93.71亿元增长39%,在总营收中的占比为75%,上一财年同期为39%;
·中国批发商务业务营收为8.46亿元(约合1.36亿美元),较上一财年同期的5.94亿元增长42%,增长主要源于付费用户数量增加以及来自付费用户的平均收入增加;
·国际零售商务业务营收为4.37亿元(约合7000万美元),较上一财年同期的2.85亿元增长53%,增长主要源于全球速卖通商品交易总额的增加;
·国际批发商务业务营收为12亿元(约合1.94亿美元),较上一财年同期的10.09亿元增长19%,增长主要源于付费用户数量增加以及来自付费用户的平均收入增加;
·其它营收为15.05亿元(约合2.43亿美元),较上一财年同期的5.59亿元增长169%,增长主要源于来自收购业务(主要是UC优视和高德)的营收合并部分抵消了中小企业贷款业务营收的净减额。阿里已经将中小企业贷款业务转让给了蚂蚁金服。
——营收成本为61.33亿元(约合9.89亿美元),在营收中的占比为35%;上一财年同期为34.70亿元,在营收中的占比为29%;
——产品开发支出为30.42亿元(约合4.91亿美元),在营收中的占比为17%;上一财年同期为12亿元,在营收中的占比为10%;
——销售和营销支出为25.31亿元(约合4.08亿美元),在营收中的占比为15%;上一财年同期为12.78亿元,在营收中的占比为11%;
——总务和行政支出为24.77亿元(约合4亿美元),在营收中的占比为14%;上一财年同期为5.14亿元,在营收中的占比为4%;
——股权激励支出为46.32亿元(约合7.47亿美元),较上一财年同期的9.25亿元增长401%;在营收中的占比为27%,上一财年同期为8%;
——无形资产摊销费为6.43亿元(约合1.04亿美元),较上一财年同期的1.18亿元增长462%;
——营业利润为25.99亿元,较上一财年同期的54.51亿元下降52%;在营收中的占比为15%,上一财年同期为45%;
——不按美国通用会计准则,第四财季EBITDA利润为85.83亿元(约合13.85亿美元),较上一财年同期的68.86亿元增长25%;EBITDA利润率为49%,上一财年同期为57%;
——利息和投资净得收入18.46亿元(约合2.98亿美元),较上一财年同期的5.68亿元增长225%;
——利息支出为4.75亿元(约合7700万美元),较上一财年同期的3.53亿元增长35%;
——其它净得收入为4.96亿元(约合8000万美元),较上一财年同期的12.51亿元下降60%;
——所得税支出为12.03亿元,较上一财年同期的12.27亿元下降2%;
——净利润为28.69亿元(约合4.63亿美元),较上一财年同期的56.64亿元下降49%;不按美国通用会计准则,净利润为77.41亿元(约合12.49亿美元),较上一财年同期的66.71亿元增长16%;
——归属于阿里普通股股东的净利润为28.93亿元(约合4.67亿美元),较上一财年同期的55.43亿元下降48%;
——按照25.85亿股摊薄流通股的加权平均值计算,每股摊薄收益为1.12元(约合0.18美元),较上一财年同期按23.63亿股摊薄流通股的加权平均值计算的2.37元下降53%。不按美国通用会计准则,每股摊薄收益为3.00元(约合0.48美元),较上一财年同期的2.80元增长7%;
——截至2015年3月31日,阿里持有现金、现金等价物以及短期投资的总额为1223.41亿元(约合197.35亿美元),较截至2014年12月31日的1307.41亿元下降6.4%;
——运营活动提供的现金净额为57.67亿元(约合9.30亿美元),较上一财年同期的18亿元增长220%;资本支出为14.89亿元(约合2.4亿美元),较上一财年同期的4.4亿元增长238%;不按美国通用会计准则,自由现金流为56.65亿元(约合9.14亿美元),较上一财年同期的23.33亿元增长143%。
——用于投资活动的净现金为56.72亿元(约合9.15亿美元);
——截至2015年3月31日,阿里共有员工34,985名,截至2014年12月31日时为34,081名,截至2014年3月31日时为22,072名。
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。