三大关键举措正在提升股东价值,签约额同比增长27%
2022年5月4日,美国纽约—— 全球大型IT基础设施服务提供商Kyndryl勤达睿(NYSE:KD)公布了独立上市后的第一个完整季度财报结果,即2022年截至3月底的季度财报。
Kyndryl勤达睿董事长兼首席执行官 Martin Schroeter表示:“在Kyndryl独立后的第一个完整季度,我们扩大了技术生态系统,并对员工进行投资,以更好地服务我们的客户,推动盈利收入增长。我对发展势头信心十足,三大关键计划——合作联盟、先进交付和客户,正在取得有意义的推进:与关键技术合作伙伴的生态关系得到扩展,能通过技能提升和自动化来实现服务交付的转型,积极应对低于标准利润的现有客户。我们将通过继续执行当前战略来提升股东价值。”
2022年截至3月底的季度财报
2022年初截至3月31日,Kyndryl勤达睿在这一季度的营收为44亿美元,同比下降7%,若按固定汇率计算,下降3%;与上年度的预估营收相比,下降6%,若按固定汇率计算,则下降2%。与2021年第一季度的预估签约额相比,以固定汇率计算的签约总额达到31亿美元,增长27%,以固定汇率计算的咨询和实施服务签约额增长了50%。
本季度税前亏损为1.89亿美元,净亏损2.29亿美元,摊薄后每股亏损1.02美元;上年同期净亏损为4.94亿美元。
本季度调整后的税前亏损为5100万美元,上年同期的预估调整后税前亏损为6400万美元, 汇率波动对调整后的税前收入产生了3400万美元的负向影响。调整后的息税折旧摊销前利润为5.36亿美元,上年同期的预估调整后息税折旧摊销前利润为6.05亿美元,汇率波动产生了5100万美元的负面影响。
本季度营运现金流为1.89亿美元,调整后自由现金流为1.36亿美元。
Kyndryl勤达睿首席财务官David Wyshner表示:“当前业绩体现了我们作为一家独立公司行动自由所带来的好处。合作联盟、先进交付和客户等关键计划了带来鼓舞人心的结果,预计在未来三到五年内,相关计划还将为我们的税前收入贡献数亿美元。”
最新进展
Kyndryl勤达睿还宣布了直接支持技术方案的战略合作联盟,包括与SAP的扩展合作。结合SAP业务技术平台和Kyndryl在人工智能、数据和网络弹性服务方面的深厚专业知识,双方将为客户提供一条具有性价比的云路径。
其他合作包括:
技术认证—— Kyndryl勤达睿进一步提升了与云相关的能力,截至本季度末,有超过17,500位员工获得了超大规模厂商的认证,这一数字较去年年底增长了10%。
财年改变—— 如此前所公布的,Kyndryl勤达睿将财年结束时间从12月31日改为3月31日,新的完整财年自2022年4月1日开始,至2023年3月31日结束。这项变动让Kyndryl勤达睿在年末为自己和很多客户避开了假期,相信这对客户和客户关系会更加友好。
交易相关费用—— 如此前公布过的,包括系统迁移和品牌重建在内,拆分相关的交易费用为5800万美元。
未来展望
Kyndryl勤达睿对2022年4月1日至2023年3月31日的财年展望如下:
预测金额是根据2022年4月的货币汇率计算的。 本版本不包括对前瞻性非公认会计原则财务信息的对账调整,因为目前不存在不合理的组成部分。出于同样的原因,我们也无法说明目前还无法获得的资料可能具有的重要意义和对今后结果产生的重大影响。
关于Kyndryl
Kyndryl (NYSE:KD) Kyndryl 是世界上最大的 IT 基础设施服务提供商之一,致力于设计、构建、管理各种支持世界运转的复杂任务关键型科技系统并助力其现代化。近 90,000 名 Kyndryl 专家为世界上 100多个国家/地区的4000多位客户提供服务,其中包括75% 的《财富》100 强公司。更多信息,请访问www.kyndryl.com。
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。