随后,艺龙CEO江浩在致全体员工的公开信中表示,“如果本次腾讯私有化艺龙成功,艺龙将继续做大做强,在国内资本市场再度上市是我们的当然选项。”
今年5月,携程以4亿美金收购艺龙37.6%股份,成为其最大的独立单一股东。铂涛集团控制的Keystone和Keystone的间接持有子公司Plateno共同拥有22.2%的股份,投资机构Luxuriant拥有3.7%的股份。按此推算,腾讯在艺龙私有化结束后将持有艺龙36.5%的股份,携程仍然是艺龙第一大股东。
财报显示,艺龙第二季度总营收为人民币2.342亿元,比去年同期的人民币3.124亿元下滑25%;净营收为人民币2.185亿元(约合3520万美元),比去年同期的人民币2.924亿元(约合4710万美元)下滑25%;艺龙第二季度净亏损为人民币3.564亿元,去年同期则为净利润人民币3150万元。
以下是艺龙邮件全文:
各位艺龙同事:
今天,我们对外宣布艺龙董事会收到了中国互联网行业内的巨头腾讯公司的非约束性私有化要约,腾讯希望以每股18美元的价格收购除了携程、铂涛和腾讯自己等艺龙股东外的全部艺龙流通股,如果这个交易能够完成,艺龙将完成私有化从美国纳斯达克股票市场退市。
腾讯在2011年曾经投资艺龙8400万美元,获得了艺龙15%的股份。基于艺龙在过去一段时间里在中国的移动住宿领域里出色的表现,事隔4年后,腾讯决定再次大规模增持艺龙的股份,表现出对艺龙所处行业的极大看好,对艺龙公司发展的极大信心,对艺龙目前管理团队和所有员工的极大信任。
在过去的四年多时间里,艺龙从一个季度大约只有220万间夜,成长到刚过去的2015年第二季度有1100万间夜,艺龙的间夜量四年翻了五倍。艺龙在国内的酒店覆盖从2万家酒店,增长到目前的29万家酒店。艺龙移动客户端间夜量的占比从近乎0%,增长到目前的75%。艺龙的员工也从四年前的2000人,达到了目前4000人的规模。
与此同时,四年后我们所处的市场也发生了深刻的变化。我们的竞争对手除了股东之一携程外,还有百度旗下的去哪儿,阿里巴巴旗下的去啊,以及阿里巴巴投资的美团,都因为看到中国的移动住宿市场的巨大潜力,不惜以每年亏损十多亿人民币的烧钱速度在这个市场里疯狂扩张,艺龙因此也面临着巨大的竞争压力。
我相信腾讯不会轻易在我们这个充满希望和活力的市场中让步,选择发出增持艺龙股份的要约,正是腾讯要在中国的移动住宿行业继续发力的重要一步棋。
我个人很期待,如果这次腾讯能够私有化艺龙成功,和腾讯在各个领域展开更深度的合作,促进艺龙移动住宿业务的继续高速发展。
艺龙作为已经在美国纳斯达克股票市场上市了11年的老牌优质公司,在腾讯私有化艺龙的过程中,将按照美国法律法规的要求,严格保护现有公众股东的权利和权益。而对于艺龙最核心的资产,我们的员工,在腾讯私有化艺龙的过程前后,我们也将全力保护我们员工的权利和权益,让员工感受到获得了长期激励。
2015年以来,已经陆续有几十家在美国上市的中概股公司宣布了私有化,其中一个原因是中国的证券市场与美国的证券市场相比,有巨大的估值溢价。
而本土企业在有最熟悉自己的消费者和投资者的本土上市,在全世界范围内看都是不可逆的大趋势。国家制定的“互联网+”战略,尤其使得中国资本市场看好中国的互联网企业回归本土上市。如果本次腾讯私有化艺龙成功,艺龙将继续做大做强,在国内资本市场再度上市是我们的当然选项。
艺龙的全体同事,我希望和大家一起以巨大的热情和敏捷扎实的行动,全身心投入二次创业的征程,在未来的一段时间里,苦干实干,勇敢地迎接一切已知和未知的挑战,把艺龙推向崭新的高度。
向着艺龙公司和艺龙人更美好的明天,全力冲刺!
江浩
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。