美国纽约州ARMONK,东部时间2020年1月21日,IBM(NYSE:IBM)发布2019第四季度及全年业绩报告。
IBM公司董事长、总裁兼首席执行官罗睿兰(Ginni Rometty)表示:“我们为2019年画上了一个圆满的句号,第四季度实现了全面的营收增长,特别在云业务营收方面增长加速。展望未来,这为我们在2020年实现持续的营收增长奠定了基础,我们将继续帮助客户将关键业务负载转移至混合云,支持他们进一步扩展认知型企业之旅。“
IBM高级副总裁兼首席财务官James Kavanaugh表示:“在第四季度我们继续投资在高价值增长领域并采取了一些大胆的举措——其中包括多个业务剥离和一个大型收购——以更好地维持业务定位,这些都在强劲的毛利业绩上表现出来了。在完成红帽收购之后,通过强劲的自由现金流和严格的财务管理,我们下半年的业绩显著。”
第四季度,公司经营活动创造净现金流35亿美元,不计入全球融资部门的应收账款为67亿美元。IBM自由现金流为60亿美元,通过派发股息的形式向股东返还了14亿美元。
2019全年,公司经营活动创造净现金流148亿美元,不计入全球融资部门的应收账款为143亿美元。IBM自由现金流为119亿美元,向股东返还71亿美元,其中通过派发股息的形式向股东返还了57亿美元,通过回购股票的形式向股东返还了14亿美元。
截止第四季度结束,IBM持有现金为90亿美元,其中包括可转换债券。负债为629亿美元,其中包括全球融资部门的应收账款247亿美元——自第三季度末减少34亿美元,自第二季度末减少101亿美元。
云及认知软件部门(包括Red Hat在内的云和数据平台、认知应用和交易处理平台)——营收为72亿美元,增长8.7%(按调整后汇率计算增长9.4%),重点增长领域为云、安全、物联网;其中云和数据平台增长19%(按调整后汇率计算增长20%),认知应用增长1%; 交易处理平台,增长3%(按调整后汇率计算增长4%)
全球企业咨询服务部(包括咨询、应用管理和全球流程服务)——营收为42亿美元,下降0.6%(按调整后汇率计算下降0.3%),咨询服务继续增长,增长4%
全球信息科技服务部(包括基础设施和云服务以及技术支持服务)——营收为69亿美元,下降4.8%(按调整后汇率计算下降4.0%)
系统部(包括系统硬件和操作系统软件业务) ——营收为30亿美元,上升16%(按调整后汇率计算上升16.5%),IBM Z增长高达62%(按调整后汇率计算上升63%);存储系统营收增长3%
全球融资部(包括融资和二手设备出售业务)——营收为3.01亿美元,下降25.3%(按调整后汇率计算下降24.9%),反映出OEM商业融资的收缩。
全年业绩反映出于2019年7月完成的Red Hat收购的影响。合并摊薄后每股收益10.56美元,较2018年的9.52美元增长11%。合并净收入为94亿美元,年增长8%。全年营收总额为771亿美元,年下降3.1%(按调整后业务和汇率计算上升0.2%),2018全年为796亿美元。
从持续经营获得的经营(非美国通用会计准则non-GAAP)摊薄后每股收益为12.81美元,较2018年13.81美元下降7%。全年经营(非美国通用会计准则non-GAAP)净收入为114亿美元,较上一年度的127亿美元下降10%。
IBM预期GAAP每股摊薄收益至少10.57美元,经营(非美国通用会计准则non-GAAP)每股摊薄收益至少13.35美元。经营(非美国通用会计准则non-GAAP)摊薄后每股收益预期不包括每股2.78美元的购买无形资产摊销费用和其它与收购相关的费用,包括结算前费用,如财务成本、退休相关费用和税收改革制定的影响。IBM预期自由现金流约125亿美元。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。