北京时间5月12日早间消息,欢聚时代今天发布了截至3月31日的2015财年第一季度财报。报告显示,欢聚时代第一季度净营收为人民币11.503亿元(约合1.856亿美元),比去年同期的人民币6.663亿元增长72.6%;净利润为人民币2.270亿元(约合3650万美元),比去年同期的人民币1.836亿元增长23.6%。
财报发布后,欢聚时代CEO李学凌和CFO何震宇召开分析师电话会议,解度第四季度财报并回答分析师提问。
以下是分析是问答环节主要内容:
巴克莱资本分析师艾丽西亚·叶(Alicia Yap):可否介绍一下目前游戏市场的竞争情况?公司此前决定今年在游戏直播业务上投人7亿人民币,一季度的花费情况如何?
何震宇:游戏直播市场的竞争非常激烈,公司主要做了一些工作。去年年底公司调整了团队,新团队在业务方面有很多创新。竞争一直有,公司服务也在提高。
公司决定今年在游戏直播业务投人7亿人民币,从各项业务的报告中可以看到,一季度公司游戏直播业务损失为9000万人民币。公司也预计今年游戏直播业务的营收为3亿人民币,所以今年这部分业务的损失应为4亿人民币,也就是每季度1亿人民币的损失,所以一季度的损失也在预料之内。想说明的一点是,公司的直播业务正在改善,预计未来的损失将减少。
艾丽西亚·叶(Alicia Yap):可否预测一下二季度公司每个业务的增长情况?比如在线约会和音乐业务。公司是否会对二季度的业务持保守态度?今年的增长会放缓吗?
何震宇:二季度的财报预测与分析师的预测基本相符。分析师对公司二季度营收的预测为超过50%,我们的预测是可以实现这一水平的增长。公司的产品线比较多,音乐,游戏,约会等等,有些业务表现会比其他业务要好,比如游戏业务的全年增长可以达到20%-30%,约会业务的同比增长可以到50%,音乐业务和公司的总营收增长差不多。
中金公司分析师Natalie Wu:公司移动端月活动用户数量在一季度达到近3400万人,可否介绍一下YY平台的总活跃用户数?有多少来自客户端?多少来自网页?虎牙游戏直播的营收贡献占比有多少?另外,公司在线约会业务的每用户营收(ARPU)在一季度非常高,这一水平是正常的,还是由于季节性因素?
何震宇:一季度YY平台的月活跃用户数1.17亿,与去年四季度持平。需要注意的是,一季度通常是淡季,而四季度通常是表现最好的一个季度,所以能够有这样的表现本身就是非常好。分开来看,移动端月活动用户数量增长最快,去年四季度的数字是3000万;去年四季度网页端的月活动用户数是4400万,今年一季度是4300万;客户端月活动用户数在一季度达到了5000万,去年四季度为5300万。将这些一季度的数字加起来会比1.17亿多,主要是由于有用户使用了公司的多项服务。总而言之,尽管一季度是淡季,公司表现依然不错:移动端继续增长,这一趋势在今年未来几个季度里仍将继续。
虎牙游戏直播业务刚刚开始,目前无法提供其营收贡献占比。在线约会业务的ARPU在一季度超过了600元人民币,比我们预期要高,但是并不出乎意料,因为该业务提供了一个展示平台,使用者希望通过支付更多费用来达到展示的效果。需要指出一点的是,在线约会业务的重点不在提高ARPU,因为ARPU的增长是该业务增长的必然结果。未来几个季度,这一ARPU可能会由于运营方面的原因而产生上下波动。约会业务将发布APP,用户在移动端的支出可能会比PC端更少。一季度的ARPU增长不是刻意的,而是业务增长的自然结果。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。