第四季度思科的净收入为34亿美元,即每股68美分,不计入股票补偿等特定成本之后的每股收益为83美分,收入略高于131亿美元,与去年同期持平。
这一结果高于此前华尔街分析师预测的每股收益82美分,收入127.3亿美元。投资者们对思科的业绩表示认可,思科股票在盘后交易时段上涨了4%多,在结果公布前的几个小时内,思科的股价几乎没有变动。
思科公司首席执行官Chuck Robbins表示,由于第四季度的业绩好于预期,因此该财年表现十分强劲。他说:“我们的团队在充满活力的环境中表现出色,”这也带来了他所说的公司历史上最高的全年调整后每股收益。
从整个2022财年来看,思科的收入为516亿美元,比一年前增长了3%,不计入特定成本之后的收益达到每股3.36美元,比一年前增长4%。
对思科第四季度财报数据分解来看,产品和服务业务与去年同期持平,产品收入为96.9亿美元,服务收入为34.1亿美元。思科最主要的安全和敏捷网络业务部门(包括数据中心交换机)该季度销售额下降1%至60.9亿美元。
Robbins在与分析师的财报电话会议上表示,大约三个月前曾警告过的供应限制问题正在逐渐得到缓解,这使得收入增长好于预期,他再次重申,这一趋势可能会延续到未来几个季度。
思科首席财务官Scott Herren表示,思科仍然有超过150亿美元的创纪录未交付订单,这主要是由于半导体和电源等组件的缺货。他补充说,预计供应限制将在整个2023财年继续困扰思科。
也就是说,思科本来可以给出比很多分析师最初预测的更好的结果。展望2023财年,思科预计每股收益在3.49美元至3.56美元之间,收入增长在4%至6%之间,这一预测略高于华尔街预测的调整后每股收益3.53美元,销售额527.2亿美元,增幅略高于2%。
至于第一季度,思科预计每股盈利在82美分至84美分之间,收入增长在2%至4%之间,此前华尔街分析师预测的每股收益为84美分,收入下降约3%。
Forrester Research副总裁、研究总监Glenn O'Donnell表示,思科的数据比大多数人所希望的要好,但更深入的分析表明,这要归功于欧洲、中东和非洲的区域销售得到大幅改善,收入增长8.5%。他指出,来自美洲的收入下滑了3.4%,亚太地区的销售额下滑了2%。
“基本上,欧洲市场拯救了思科,美国市场的业务表现疲软。总体而言,思科的表现超出了华尔街的预期。我预计收入会出现同比下降,下降幅度很小,但比我预期的要好。”
Constellation Research分析师Holger Mueller认为,思科的转型仍在继续,唯一的问题是思科的发展速度太慢,收入仅比去年同期增长3%。“按照这种速度,思科需要很长的时间。诚然,供应链问题仍然存在,这让思科面临重重挑战,不过思科似乎已经把这一因素纳入到了对明年的预期中。”
Mueller表示,敏锐的投资者可能已经注意到,上个季度思科在股票回购上额外花费了40亿美元,几乎和花在销售、营销和研发上的资金一样多。“只有未来才能证明此举是否是正确的,但就我们对思科愿意投资核心业务的信心而言,这并不是一个好兆头,”这位分析师沉思道。
关于股价上涨,Pund-IT分析师Charles King表示,投资者可能会感到宽慰,因为这个季度没有重演上个季度的糟糕表现,而是得到了普遍乐观的预测支持。他说:“也许更重要的是思科对经济和供应链问题的乐观态度,这与一些分析师的悲观评估并不一致,但通常情况下,商业情绪的最佳晴雨表就是包括客户,也就是思科这样的厂商直接面对的群体。”
思科曾在上个季度的财报电话会上提到了企业技术支出可能比以前更少,这引发了外界的担忧。不过,思科强劲的业绩和好于预期的预期,以及本月早些时候竞争对手Arista Networks的强劲表现,似乎平息了这些担忧。
今年迄今为止,思科的股价下跌了26%,而标准普尔500指数仅下跌了10%。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。