CNET科技资讯网 2月14日 北京消息:继此前公布乐视引入融创中国150亿元战略投资之后,昨日乐视网再度发布利好。昨日晚间乐视网公告称,乐视网将以19.82亿股为基数进行资本公积金转增股本,每10股转增20股,共计转增39.63亿股,转增后公司总股本将增加至59.45亿股。据了解,这是乐视网上市以来宣布的第三次高送转,同时也是最高比例送转,同时本次送转不仅是乐视网对于14年宣布的三年股东回报计划的落地,也是2016年贾跃亭表示要战略聚焦乐视网的系列举动之一。
对此,券商人士分析称,高送转传递了公司对于乐视网营收、利润、每股收益等核心财务指标的信心,同时此举将有效增加公司股票的流动性,一定程度上有助于乐视网以及创业板行情的确立。
上市以来最高比例送转 并将进行现金分红
据了解,实施之后乐视网的总股本将高达59.45亿股,成为创业板总股本最大的公司,这也是创业板首个总股本突破50亿股的公司。
除了10送20之外,乐视网还表示,公司控股股东、5%以上股东以及董监高未来6个月暂无减持计划,同时本次还将进行派息现金分红。
据了解,在2014年乐视网宣布了,《乐视网信息技术(北京)股份有限公司未来三年(2014-2016年)股东回报规划》。该计划中,乐视网如是表示,除特殊情况外,公司在当年盈利,应当优先采用现金分红的利润分配方式,每年以现金方式分配的利润不少于当年实现的可供分配利润总额的10%。这也就是说,本次高送转实际是对于之前三年股东回报计划的一种实践。
此前在乐视网2016年发布的业绩预告显示,乐视网2016年归属于上市公司股东的净利润约为6.3亿元~7.74亿元,相较2015年的5.73亿元,同比增长10%~35%,继续保持了稳健快速的增长,这也就是说乐视网已经达到分红条件,今年也将进行分红将是大概率事件。
对此,乐视网表示,派息金额将在审议分配议案时确定。
历年乐视网分红情况表
据了解,自乐视网上市以来已经进行过三次高送转,幅度为平均两年一次,他们分别在2010年、2014年以及2016年,比例分别是,10送2转增10股派1.5元、10转增12股派0.46元以及本次的10送20分红数待定。
高送转方案分享成长红利 有效增加交易流动性
在年报发布前,乐视网推出10股转增20股的高送转预案,进一步引发市场和投资者对公司股价走势的期待。
对此,券商人士分析称,高送转传递了公司对于乐视网营收、利润、每股收益等核心财务指标的信心,同时此举将有效增加公司股票的流动性,促进股票交易的活跃度,一定程度上有助于乐视网以及创业板行情的确立。
此外,资深市场人士分析,A股市场投资者对于“高送转”题材,尤其是具有超强成长性的“高送转”公司非常追捧,除权后较低的股价,将会吸引投资者积极建仓,有望迅速形成一波填权行情,拉动股票价格向价值的回归。
对此,本次高转送的意义,乐视网表示,此次以资本公积金转增股本,有利于扩大公司股本规模,增强公司股票流动性,提升公司市场形象,符合公司战略规划和发展预期。同时预案在保证公司正常经营和长远发展的前提下,更好地兼顾了股东的即期利益和长远利益,体现了公司积极回报股东的原则,适应公司未来经营发展的需要。
在宣布高转送之前,乐视网还因与融创中国的牵手震惊行业。今年年初,乐视网公告称,乐视获得包融创中国向乐视投资150亿元,融创中国的出现解决了乐视网最后的短板。
对此,有券商分析师称,乐视网积极回报股东,加上资金短板已除,乐视影业注入、乐视超级电视扭亏等所带来未来利好可期,乐视网走势很有可能将出现拐点。数据显示去年11月,乐视网曾发布公告称,将与乐视影业继续推进重组,预计在2017年完成,而在今年国内票房整体下挫的情况下,乐视影业依旧出现了逆势增长,目前为止整体票房接近40亿元,2016年实现部部过亿的行业奇迹,成为五大民营电影公司中增速最快的公司。
对此,以上资深人士分析,乐视网股价已在35元至40元之间筑底蓄势。此次高送转有望成为乐视网股票价格向公司内在价值回归的起点,树立市场对拥有战略、组织和产品优势的高成长公司的价格修复,成为创业板和A股市场未来行情的触发器。
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。