企业软件巨头SAP今天比以往提前了12小时发布第三季度财报,并坦言,COVID-19大流行带来影响的持续时间可能比最初预期更长。
因此,SAP下调了2020年全年业务展望,以反映预期的客户支出有所减少。
第三季度并没有想象中那么糟糕,SAP的每股收益为1.32欧元(1.56美元),收入为65.4亿欧元(78亿美元),比去年同期下滑了4%,分析师此前预测的收入为66.8亿欧元。
SAP表示,云业务表现强劲,该季度收入增长至19.8亿欧元,比去年同期增长10%。软件许可证收入受到COVID-19的影响更为明显一些,收入同比下滑23%至7.10亿欧元。此外,云和软件收入为55.4亿欧元,同比下滑2%。
SAP补充说,云业务未交付订单金额(SAP今年早些时候公布的一项新指标)反映了来自新客户的云相关订单和现有客户的增量订单,这部分同比增长10%,达到66亿欧元。
但是,投资者似乎更加关注SAP对预期展望的调整。SAP在今年4月首次发布了全年展望,当时称,这一展望反映了根据COVID-19复苏的时间和进度得出的最好预期。当时SAP认为经济能够重新开放,封锁相对较快地缓解,但是现在,SAP承认当时的预期太乐观了。
由于COVID-19病例激增,很多国家重新开始实施封锁措施,SAP表示,需求恢复比预期慢得多。因此,按不变货币计算,今年全年SAP的云收入预计仅为80亿欧元至82亿欧元,低于此前预测的83亿欧元至87亿欧元。云和软件收入调整为231亿欧元至236亿欧元,低于此前预期的234亿欧元至240亿欧元。
“以前SAP和许多其他企业软件厂商并未受到疫情大流行的影响,此次真是令人惊讶。所以SAP要跟上现实,我们也会在未来几周内关注其他厂商的情况。”Constellation Research分析师Holger Mueller这样表示。
SAP称,调整后的预期意味着,按固定汇率计算,预计2020年总收入将在272亿欧元至278亿欧元之间,低于此前预期的278亿欧元至285亿欧元,预计营业利润将在81亿欧元至85亿欧元之间,低于此前预期的81亿欧元至87亿欧元。
对于投资者而言,更令人担忧的是,COVID-19有可能会对SAP去年4月、也就是疫情爆发几个月前公布的“中期雄心”产生深远影响。
“COVID-19大流行预计至少还会在2021年上半年影响需求环境,尤其是在重灾行业,迫使关键指标的实现——例如非IFRS云收入、总收入和营业利润——延后一到两年,”SAP在一份声明中这样表示。
SAP称,已经放弃了此前的2023年雄心计划,取而代之的是SAP对2025年的新预测:云收入约为220亿欧元,低于360亿欧元。SAP进一步表示,通过加速客户向云的迁移,这将对毛利率造成负面影响进一步降低4%-5%。在得出这一结论时,SAP表示,相信COVID-19的主要影响是将客户会推迟产品投资大约一到两年的时间。
Mueller说,SAP高管现在面临的主要问题是他们的云产品是否准备就绪,以及客户为什么没有采用这些产品。
他说:“令人意外的是云收入不如预期,而企业是有动力上云的,以便将IT成本从资本支出转移到运营支出。对于SAP客户而言,情况似乎并非如此。而好的一面是,传统许可销售甚至能弥补云收入的不足。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。