英伟达股价截图
北京时间5月8日消息,英伟达今天公布了截至4月26日的2016财年第一财季财务报告。财报显示,英伟达第一财季营收11.5亿美元,较上年同期的11亿美元增长4%,较上一季度的12.5亿美元下降8%;基于美国通用会计准则(GAAP,以下简称“GAAP”),净利润为1.34亿美元,较上年同期的1.37亿美元下降2%,较一季度的1.93亿美元下降31%。
英伟达第一财季主要财务数据
营收:英伟达第一财季营收11.5亿美元,较上年同期的11亿美元增长4%,较上一季度的12.5亿美元下降8%。
净利润:基于GAAP,净利润为1.34亿美元,较上年同期的1.37亿美元下降2%,较一季度的1.93亿美元下滑31%;第一财季每股摊薄收益为0.24美元,上年同期持平,上一季度为0.35美元。
基于非美国通用会计准则(non-GAAP,以下简称“non-GAAP”),净利润为1.87亿美元,上年同期为1.66亿美元,上一季度为2.41亿美元;第一财季每股摊薄收益为0.33美元,上年同期为0.29美元,上一季度为0.43美元。
毛利率:基于GAAP,第一财季毛利率为56.7%,上年同期为54.8%,上一季度为55.9%;基于non-GAAP,第一财季毛利率为56.9%,上年同期为55.1%,上一季度为56.2%。
营业支出:基于GAAP,营业支出为4.77亿美元,上年同期为4.53亿美元,上一季度为4.68亿美元;基于non-GAAP,营业支出为4.25亿美元,上年同期为4.11亿美元,上一季度为4.20亿美元。
资本回报
第一财季,英伟达派发了价值4600万美元的股息,回购了240万股股票,因此共向股东返还9900万美元。
英伟达宣布将季度股息上调15%至每股0.0975美元。英伟达将在2015年6月12日向2015年5月21日持股股东派发下一财季每股0.0975美元的股息。
英伟达董事会还宣布将提高2016财年股东返还计划,由之前预期的6亿美元扩大至8亿美元。返还计划将通过派息和股票回购进行。
此外,该公司董事会还扩展了此前授权的一项至2018年12月的股票回购计划,额外新增授权16.2亿美元,使总的股票回购计划规模增至20亿美元。
业绩展望
英伟达预计2016财年第二财季:
营收为10.1亿美元、上下浮动2%。
基于GAAP,毛利率为55.7%,基于non-GAAP,毛利率为56.0%,上下浮动50个基点。
基于GAAP,营业支出约为4.74亿美元;基于non-GAAP,营业支出约为4.25亿美元。
股价变动
周四纳斯达克股市收盘,英伟达股价涨0.39美元,报收于22.49美元,涨幅为1.76%。盘后交易中,英伟达股价出现下跌,截至美东时间5月7日17:23(北京时间5月8日5:23),英伟达股价跌0.39美元,暂报22.10美元,跌幅为0.1.73%。过去52周以来,英伟达股价浮动范围:16.77-23.61美元。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。