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
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。