至顶网软件频道消息:6月22日,甲骨文公布了2017财年第四财季及全年的业绩。与去年同期相比,2017年第四财季的SaaS(软件即服务)云业务收入上升67%至9.64亿美元,非GAAP SaaS收入上升75%至10亿美元。云 PaaS(平台即服务)和IaaS(基础架构即服务)收入上升40%至3.97亿美元,非GAAP PaaS和IaaS收入上升42%至4.03亿美元。云业务总收入上升58%至14亿美元,非GAAP云业务总收入上升64%至14亿美元。云及软件授权收入上升5%至89亿美元,非GAAP云及软件授权收入上升6%至89亿美元。第四财季总收入上升3%达到109亿美元。
第四财季的营业收入上升3%至41亿美元,营业利润率为37%。非GAAP营业收入上升5%至50亿美元,非GAAP营业利润率为46%。净收入为32亿美元,非GAAP净收入为38亿美元。每股收益为0.76美元,非GAAP每股收益为0.89美元。在不考虑美元对外币升值的情况下,甲骨文报告的第四财季GAAP每股收益提高2美分,非GAAP每股收益提高1美分。
与去年相比,短期递延收入上升8%至82亿美元。以连续12个月为基础的营业现金流上升了3%至141亿美元。
与2016财年相比,2017财年的云SaaS收入上升61%至32亿美元。非GAAP SaaS 收入上升68%至34亿美元。GAAP和非GAAP的云PaaS和IaaS收入上升60%至14亿美元。云业务总收入上升60%至46亿美元。非GAAP云业务收入上升66%至47亿美元。云及软件授权收入上升4%至302亿美元。非GAAP云及软件授权收入上升5%至304亿美元。总收入上升2%至377亿美元。非GAAP总收入上升2%至379亿美元。
2017财年的营业收入为127亿美元,营业利润率为34%。非GAAP营业收入为162亿美元,非GAAP营业利润率为43%。净收入为93亿美元,非GAAP净收入为116亿美元。每股收益为2.21美元,非GAAP每股收益为2.74美元。在不考虑美元对外币升值的情况下,甲骨文报告的2017财年GAAP每股收益提高4美分,非GAAP每股收益提高3美分。
甲骨文公司首席执行官萨弗拉·卡兹(Safra Catz)表示:“甲骨文第四财季的业绩极其优秀,收入增长和每股收益均大幅超越了业绩指引的最高值。在第四财季,Oracle云用户量继续快速攀升,SaaS业务增长了75%。云业务快速增长进一步提升了我们的营业利润率,我们预计2018财年的每股收益将实现进一步提升。”
甲骨文公司首席执行官马克·赫德(Mark Hurd)指出:“在第四财季,我们的新增云业务年度经常性收入(ARR)达到了8.55亿美元,这让我们的2017财年云业务订购额超越了20亿美元的目标。我们的季度SaaS收入也首次超过了10亿美元,我相信明年的表现还会更好。我们预计2018财年的新增云业务年度经常性收入将远超20亿美元。”
甲骨文公司董事会主席兼首席技术官拉里·埃里森(Larry Ellison)提到:“AT&T已同意将其存有大量数据的甲骨文数据库及相关应用负载迁移至Oracle云。明年,我们预计会有更多的大客户将他们的甲骨文数据库和和数据库应用迁移至Oracle云。这些大规模迁移必将显著扩大我们的PaaS和IaaS云业务规模。”
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。