
京东集团(NASDAQ:JD)今日发布了其截至2015年3月31日的2015财年第一季度业绩。财报显示,京东一季度净收入为366亿元人民币(约59亿美元),同比增长62%;相较于去年同季度净亏损37.95亿元,一季度净亏损收窄至7.102亿元人民币(约1.146亿美元)。
财报显示,2015年第一季度,京东交易总额(GMV)达到878 亿元人民币(约142 亿美元),同比增长99%。净收入为366亿元人民币(约59亿美元),同比增长62%。
2015年第一季度净亏损为7.102亿元人民币(约1.146亿美元),净利润率为-1.9%。2015年第一季度非美国通用会计准则下(Non-GAAP)净亏损为2.056亿元人民币(约3,320万美元),净利润率为-0.6%。
年度活跃用户数由截止2014 年3月31日的12个月期间的5,550 万增长至截止2015 年3 月31 日的12 个月期间的1.052 亿,同比增长90%。
2015年第一季度完成订单量为2.272亿,与2014 年第一季度1.293亿相比,同比增长76%。2015 年第一季度通过移动端渠道完成订单量约占总完成订单量的42%,同比增长329%。
京东创始人兼首席执行官刘强东表示,在 2015年第一季度,京东的交易额和收入增长仍然强劲。在第一季度京东继续优化用户体验,不断扩展新业务,在O2O和互联网金融等领域推出了一系列新的服务。
京东首席财务官黄宣德表示,中国电商市场在未来几年仍会有快速的发展。近期的业务重点将继续集中于扩大公司规模,增加市场份额。基于此,京东将对包括用户体验,物流能力,品牌认知度以及潜力巨大的新业务在内的多个领域持续进行投入。
2015年第一季度财务业绩:
净收入与交易总额
2015年第一季度交易总额为878亿元人民币(约142亿美元),同比增长99%。2015年第一季度线上自营与第三方平台交易总额分别为509亿元人民币与369亿元人民币,比2014年第一季度分别增长了63%和185%。2015年第一季度电子与家电产品的交易总额为444亿元人民币,较2014年第一季度增长65%,同时日用商品及其他品类商品的交易总额为434亿元人民币,较2014年第一季度增长152%。与2014年第一季度的39.1%相比,2015年第一季度日用商品及其他品类商品交易总额占总交易额比例上升至49.4%。
2015年第一季度京东净收入为366亿元人民币(约59亿美元),同比增长62%。本季度净收入与交易总额的增长主要得益于京东活跃用户数及完成订单量的增长。京东2015年第一季度线上自营业务的净收入同比增长59%,来自于服务项目与其他项目的净收入同比增长139%,增长动力主要来自快速扩张的京东商城第三方开放平台业务与广告业务所产生的收入。
净亏损/和非美国通用会计准则下(Non-GAAP)净亏损
相比去年同季度38亿元人民币的净亏损,2015年第一季度公司净亏损为7.102亿元人民币(约1.146亿美元)。此变化主要由于股权激励费用的下降,而来自与腾讯战略合作及收购腾讯部分资产与业务产生的相关无形资产摊销费用则有所上升。非美国通用会计准则下(Non-GAAP)2015年第一季度净亏损为2.056亿元人民币(约3,320万美元),去年第一季度净亏损为8,010万元人民币。非美国通用会计准则下(Non-GAAP),2014年第一季度的净利润率为-0.4%,2015年第一季度的净利润率为-0.6%。
·每股美国存托凭证净亏损/非美国通用会计准则下(Non-GAAP)每股美国存托凭证净亏损
2015年第一季度每股美国存托凭证净亏损为0.52元人民币(约0.08美元),2014年第一季度每股美国存托凭证净亏损为5.80元人民币。非美国通用会计准则下(Non-GAAP),2014年第一季度每股美国存托凭证净亏损为0.09元人民币,2015年第一季度每股美国存托凭证净亏损为0.15元人民币(约0.02美元)。
2015年第二季度业绩预期:
京东预计2015年第二季度净收入介于435亿元人民币至445亿元人民币之间,同比增长约为52%至56%之间。此预期体现了京东当前的初步预期,可能会发生改变。
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。