中国北京 – 2021年2月26日
新闻概要
• 全年营收达942亿美元,创历史新高;
• 全年运营利润达51亿美元;按非通用会计准则(以下简称“non-GAAP”)计算的运营利润达108亿美元,均创历史纪录;
• 经营现金流达到创纪录的114亿美元;
• 客户端解决方案集团的出货量、营收和运营利润均创历史新高。
全文
戴尔科技集团(纽约证券交易所代码:DELL)公布了2021财年第四财季和全年业绩报告。
戴尔科技集团2021财年全年营收同比增长2%,达到942亿美元。运营利润同比增长96%,达到51亿美元,non-GAAP运营利润同比增长6%,达到108亿美元,以上指标均创历史纪录。全年净利润为35亿美元,non-GAAP净利润为68亿美元。经营现金流为114亿美元,创历史新高。全年每股摊薄收益为4.22美元,non-GAAP每股摊薄收益为8.00美元。
戴尔科技集团第四财季营收同比增长9%,达到261亿美元;运营利润同比增长204%,达到22亿美元;non-GAAP运营利润同比增长19%,达到33亿美元;净利润为13亿美元,non-GAAP净利润为23亿美元;调整后息税折旧摊销前利润(EBITDA)为38亿美元;经营现金流为59亿美元;每股摊薄收益为1.57美元;non-GAAP每股摊薄收益为2.70美元。
戴尔科技集团首席运营官Jeff Clarke表示:“去年,科技在推动社会、经济和生活向前发展的进程中发挥了重要作用。我们的团队团结一致,始终致力于为全球用户与合作伙伴提供支持。这个财年,通过帮助客户适应工作和学习的新常态,我们的营收实现了创纪录的942亿美元,预计2021年IT支出将取得稳步增长,公司持续保持领先优势。“
2021财年第四季度及全年财务业绩
除非另外说明,本新闻稿中的所有比较均为同比。
戴尔科技集团本财年末现金和投资余额为158亿美元,实现了2021财年核心债务还款55亿美元的目标。公司本财年末递延营收总额为308亿美元,同比增长30亿美元。由于公司的“即服务”模式让客户更灵活地扩展IT系统来满足业务需求和预算,本财季经常性收入(包括递延营收摊销、公用事业,以及“即服务”模式)约为60亿美元,同比增长8%。
戴尔科技集团首席财务官Tom Sweet表示:“今年的强劲业绩证明了戴尔科技集团商业模式的灵活性以及我们团队的韧性。运营现金流达到创纪录的114亿美元,是我们专注于员工、客户、创新和执行力的有力证明。未来,我们将继续为所有股东创造差异化价值。”
经营部分摘要
客户端解决方案集团(CSG)第四财季营收达到创纪录的138亿美元,同比增长17%。这主要得益于99亿美元的商用业务营收(同比增长16%)和38亿美元的消费业务营收(同比增长19%)。第四财季运营利润达到10亿美元,占该部门营收的7.6%。客户端解决方案集团的全年营收同比增长5%,达到创纪录的484亿美元,全年运营利润同比增长7%,达34亿美元。
主要亮点:
• 2020自然年出货量同比增长8%,达到5030万件,创历史新高;
• 只有三家厂商在2020自然年增加了商用PC市场份额;
• Latitude和Precision笔记本电脑以及商用Chromebooks继续保持强劲增长。
基础设施解决方案集团(ISG)第四财季营收为88亿美元,与去年同期持平。其中,服务器和网络业务营收增长3%,达到44亿美元。第四财季运营利润为创纪录的12亿美元,约占该部门总营收的13.5%。基础设施解决方案集团的全年营收为326亿美元,运营利润为38亿美元。
主要亮点:
• 由于客户采用了新一代现代数据中心技术和应用,PowerStore订单量环比增加4倍;
• PowerMax、HCI和PowerProtect Data Domain实现了强劲的同比增长;
• 全新的超融合基础架构(HCI)、云、存储和数据保护集成及最新版VMware,帮助客户在边缘位置、数据中心和混合云等众多领域实现创新。
VMware第四财季营收为33亿美元,运营利润为11亿美元,这主要得益于多元化产品组合带来的广泛优势。VMware全年营收达119亿美元,运营利润为36亿美元。
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。