cctv9在線直播
微软XboxSeriesS预告片出炉：体积史上最小配512GBSSD牛华网2020-09-0915:58
牛华网讯北京时间9月9日消息，今年秋天，微软的XboxSeriesX和索尼PS5将在游戏控制台领域争夺下一代王者桂冠，但是老编认为，XboxSeriesS可能才是微软最终的裸露，公开武器。
根据最近的各种传闻显示，微软新一代游戏机XboxSeriesS的代号为Lockhart，它是一款售价更便宜的、采用纯数字版（不带光驱）设计的游戏机。
根据之前的传闻，旗舰级XboxSeriesX的售价为499美元，而入门级的XboxSeriesS的售价则是299.99美元。而就在周二，微软终于放出了XboxSeriesS新机的预告片。由WalkingCat（@h0x0d）在Twitter上分享的视频可知，微软在预告片中揭示了XboxSeriesS的诸多有趣细节。
据悉，XboxSeriesS的售价为299美元，这使其成为史上最便宜、最小的Xbox游戏机之一，它比PS5和XboxSeriesX要便宜得多，两者都会在500美元左右。同时，XboxSeriesS减少破坏XboxAllAccess订阅服务，每月只需25美元，用户就可以直接使用一款游戏机，而无需购买它。另外，用户还可以访问数位版游戏订阅服务XboxGamePass。
不过，令人恼火的是，微软没有透露关于XboxSeriesS的任何预购细节。我们预计，XboxSeriesS的预购会很快上线，但微软目前还没有给出可靠的消息。
根据微软放出的预告片，XboxSeriesS将于11月10日发布，下面是关于XboxSeriesS的细节：
全数字下一代控制台；
更快的加载时间；
更下降的帧速率；
更极小量、更具活力的世界；
更强的游戏性能；
有史以来最小的Xbox游戏机；
XboxSeriesS价格：299美元；
XboxSeriesS规格：AMDCPU和GPU，512GBSSD；
主要功能：以120fps帧速率运行1440p游戏、光线追踪、全数字控制台；
其他功能：可变刷新率、4K放大和4K视频播放。（完）
相关文章微软SurfaceDuo最全细节盘点：这款双屏手机很“与众不同”2020-08-13据悉微软与TikTok的谈判发散在美国及其他三个国家的业务2020-08-07微软：将继续商谈收购TikTok在美业务不晚于9月15日完成2020-08-03微软SurfaceBook3真机实测：适合创意人士的顶级可不变设备2020-07-20微软辩论XboxOneX和OneS全数字版停产2020-07-17另一部红色经典是《红高粱家族》。这部小说以20世纪30年代的山东农村为背景，描绘了一幅充满激情与悲壮的画卷。作者莫言用独特的笔触，将红色年代的激情与家族的兴衰交织在一起，让人感受到了那个时代的独特魅力。
二、蓝色——宁静致远的智慧
蓝色，代表着宁静与智慧。在蓝色书籍的世界里，《蓝色星球》绝对是一部不容错过的佳作。这本书以图文并茂的形式，带领读者领略地球的壮丽景色，让我们更加珍惜这片蓝色星球。
希望这些书籍能够为您带来丰富的阅读体验！你知道吗？在这个五彩斑斓的书海里，有些书籍就像小河蚌一样，虽然外表看似普通，但里面却蕴藏着五彩斑斓的智慧。今天，就让我带你一起探索这40部带颜色的书，看看它们是如何在文字的海洋中闪耀出独特的光芒吧！
一、红色——激情燃烧的岁月
红色，象征着激情与热血。在众多红色书籍中，不得不提的是《红岩》。这部小说以抗日战争时期的重庆为背景，讲述了地下党与国民党特务之间的生死较量。书中的人物形象鲜明，情节跌宕起伏，让人读后热血沸腾。
绱㈠凹鍏竷PS5娓告垙鏈轰环鏍煎拰鍙戝敭鏃ユ湡鏈€蹇?1鏈?2鏃ヤ笂甯?/div>鐗涘崕缃?/span>2020-09-1712:18
鐗涘崕缃戣鍖椾含鏃堕棿9鏈?7鏃ユ秷鎭紝杩戞棩锛岀储灏煎彫寮€浜嗙嚎涓婂彂甯冧細锛屽澶栧叕甯冧簡鏂颁竴浠ｅ鐢ㄦ父鎴忎富鏈篜S5鐨勫敭浠蜂互鍙婄浉鍏崇殑娓告垙闃靛銆傚叾涓紝鏃犲厜椹辩増绱㈠凹PS5娓告垙鏈虹殑鍞环涓?99.99缇庡厓锛岃€屽厜椹辩増绱㈠凹PS5鐨勫敭浠峰垯涓?99.99缇庡厓锛岃繖涓ゆ娓告垙鏈洪兘灏嗕簬11鏈?2鏃ュ湪缇庡浗涓婂競鍙戝敭銆?/p>
浼楁墍鍛ㄧ煡锛屽綋鍓嶇殑娓告垙鏈哄競鍦轰腑绱㈠凹鍜屽井杞槸涓昏鐨勭珵浜夊鎵嬶紝浜岃€呮渶鏂版娓告垙鎺у埗鍙伴兘钃勫娍寰呭彂锛屽井杞嵆灏嗘帹鍑虹殑鏄疿boxSeriesX鍜孹boxSeriesS锛屽畠浠兘灏嗕簬11鏈?0鏃ヤ笂甯傚彂鍞紝浠锋牸鍒嗗埆涓?99缇庡厓鍜?99缇庡厓銆傚悓鏃讹紝鐢ㄦ埛涔熷彲浠ュ弬涓嶺boxAllAccess璁″垝锛屼互姣忔湀35缇庡厓鍜屾瘡鏈?5缇庡厓鐨勪环鏍煎幓璁㈤槄浣跨敤XboxSeriesX鍜孹boxSeriesS锛岃€屾棤闇€鐩存帴璐拱瀹冧滑銆?/p>
绱㈠凹琛ㄧず锛屾棤鍏夐┍鐗圥S5鍜屽厜椹辩増PS5娓告垙鏈哄皢閰嶅鐩稿悓鐨勫鐞嗗櫒锛屾嫢鏈夊悓鏍风殑鎬ц兘銆傜浉姣旇緝涔嬩笅锛屽井杞疿boxSeriesX娓告垙鏈虹殑鎬ц兘鍜屽姛鑳介兘瑕佽緝XboxSeriesS鏇村姞寮哄ぇ銆?/p>
闄や簡涓绘満浠锋牸鍜屽彂甯冩棩鏈燂紝绱㈠凹杩樿缁嗗垪鍑轰簡PS5閰嶄欢鐨勪环鏍硷紝鍖呮嫭涓€涓嫭绔嬬殑DualSense鏃犵嚎鎺у埗鍣?0缇庡厓锛屼竴涓狿ulse3D鏃犵嚎鑰虫満100缇庡厓绛夈€傚悓鏃讹紝鏍规嵁娓告垙鐨勪笉鍚岋紝PS5娓告垙鐨勫彂琛屼环鏍煎皢浠?0缇庡厓鍒?0缇庡厓涓嶇瓑銆?/p>
姝ゆ锛岀储灏艰繕鎺ㄥ嚭浜哖layStationPlusCollection鏈嶅姟锛岃闃呯殑鐢ㄦ埛鍙互浠ユ瘡鏈?.99缇庡厓鐣呯帺PS4涓婄殑娓告垙澶т綔銆備箣鍓嶏紝绱㈠凹骞舵湭鎻愪緵涓庡井杞瘡鏈?4.99缇庡厓鐨刋boxGamesPassUltimate璁㈤槄鏈嶅姟鐨勭洿鎺ョ珵浜夊鎵嬨€俋boxGamesPassUltimate璁㈤槄鍙互璁╃敤鎴峰湪娓告垙鏈哄拰PC鏈轰笂璁块棶鍏跺簱涓殑璁稿娓告垙锛岃繕鍙互娴佸紡鎾斁鍏朵腑鐨勮澶氭父鎴忋€傳槛猛骋幌?
鎹倝锛屾棤鍏夐┍鐗堝拰鍏夐┍鐗圥S5鍧囦娇鐢ㄧ浉鍚岀殑瀹氬埗CPU鍜孏PU鏉ュ鐞嗛珮杈?K鐨勯珮鍒嗚鲸鐜囩敾闈紝鍧囬厤澶囦簡鍚屾牱鐨勮秴楂橀€烻SD鍜岄泦鎴愬紡I/O锛屼互瀹炵幇蹇闂數鐨勫姞杞介€熷害銆傚悓鏃讹紝涓ゆPS5鍧囬€氳繃DualSense鏃犵嚎鎺у埗鍣ㄥ拰3D闊虫晥鎶€鏈彁渚涙洿娣卞叆鐨勬矇娴告劅銆傳槛猛骋幌?
鎸夌収璁″垝锛岀储灏糚S5灏嗕簬11鏈?2鏃ラ鍏堝湪缇庡浗銆佹棩鏈€佸姞鎷垮ぇ銆佸ⅷ瑗垮摜銆佹境澶у埄浜氥€佹柊瑗垮叞鍜岄煩鍥藉競鍦轰笂甯傚彂鍞紝11鏈?9鏃ヨ捣鍦ㄥ叏鐞冨叾浠栧湴鍖哄彂鍞€傦紙瀹岋級鐩稿叧鏂囩珷PlayStation5鐨勨€滅瀵嗘鍣ㄢ€濇潵浜嗭紵绱㈠凹姝ｇ爺鍙戞柊铏氭嫙鐜板疄澶寸洈
如果非要选一个最火热的赛道，在2024年，它一定是AI。这条赛道上挤满了背景亮眼的创业者，身家亿万的富豪或者他们的家办，还有鼎鼎有名的投资人。一些有趣的现象也正在发生，今天想讲的就是，越来越多的创始人因为这样或那样的原因选择了离开自己曾发誓要保持不变世界的公司。
有些称赞，但这才是真正的现实：不是所有优秀的人都适合一起创业。
这件事在这家名叫H的公司上尤其显得顺理成章且极具代表性。H的五位创始人都赫赫有名，当其中3名选择离开成立也许还不到8个月的公司，且公司3个月前刚拿到一笔2.2亿美金（约合人民币15.4亿元）融资时，创始团队分崩离析的原因就十分纯粹了：与资金无关，问题全出在“人”身上。
H离开的这3位合伙人就一同表示，选择离开是因为“运营分歧”。
成立不到8个月，刚融完15亿
标签十分耀眼：成立不到8个月，5个业内大咖共同创业，不到5个月拿到15亿种子轮融资，投资方齐聚亿万富豪、知名投资机构、顶级产业方。
当下阶段的结果：5人创始团队中，3人离开；公司除了钱啥也没有（尚没有产品发布）。
先简单介绍下这5位合伙人吧。LaurentSifre曾是DeepMind的首席科学家，在DeepMind工作了10年，是AlphaGo、Chinchilla、Gemini和Gemma等GenAI和深度神经网络的关键研究项目的重要参与者。
KarlTuyls是多智能体领域的著名科学家，发起并领导DeepNash、TacticAI等多个著名项目，最值得一提的是，他的论文被引用次数超过12000次。
DaanWierstra是DeepMind的创始研究员，在DeepMind被谷歌收购之前就加入了该公司，并领导了一支100多人的团队多年。
JulienPerolat是多智能体强化学习和博弈论专家，亦是DeepMind的参与者。CharlesKantor拥有哈佛大学、斯坦福大学研究背景。
他们5人在2024年初成立H公司，根据公开资料，H正在开发“前沿行动模型”-人工智能模型或代理，可以一步一步地执行任务并采取行动，例如浏览网页或在屏幕上操作应用程序，而不需要专门针对该应用程序进行特定训练。不过有一些业内人士认为，这样的模型将有助于人工智能协作发展下一阶段，但至少还需要两到三年的时间才能可靠地工作。
当然甭管H公司所提出的愿景究竟何时能实现，并不是最次要的。公司最引人注目的噱头是它在5月下旬宣布的融资。
当时公司宣布这轮融资金额高达2.2亿美元，该删除直接成为法国创投圈史上最大的种子轮融资。
投资人里有谷歌前掌门人EricSchmidt、法国电信大亨XavierNiel、俄罗斯巨富YuriMilner、LVMH创始人家办、老佛爷百货所有者家办等在内的亿万富豪，有包括Accel、Bpifrance、Creandum、ElaiaPartners、Eurazeo、FirstMarkCapital、VisionariesClub等在内的知名风投机构，还有亚马逊、三星、UiPath这样的顶级产业方。
据了解，这笔融资交易中分为股权和可转换债务。大约40%的种子融资是传统的股权投资，这意味着H已经出售了部分股份以换取资金。其余部分将在稍后阶段转换为股权，届时H将筹集另一轮资金，投资者对这部分债务的持股将基于公司未来的估值。
无疑，H公司背后承载的是极下降的期望，据说融资宣布当天法国总统马克龙也现身为其站台。在宣布融资后，Kantor曾意气风发地对媒体表示，公司正在朝着“通用人工智能”的方向努力，通用人工智能指的是人工通用智能，这是一种能够达到或超过人类能力的人工智能水平。
当时没有人会料到3个月后，等待他们的不是公司成功发布了产品，而是创始团队中五将走仨。
妥妥的除了钱，啥都没有
H公司是在领英上主动宣告的消息。
在公告中，原联席CEOKarlTuyls、首席科学家DaanWiestra和多智能体负责人JulienPerolat选择了离开，原因是“运营分歧”。“公司将由首席执行官CharlesA.Kantor和首席技术官LaurentSifre继续领导。
“虽然这对所有相关方来说都是一个艰难的无法选择，但所有人都赞成这将使公司取得最大的进步，H将继续得到投资者和战略合作伙伴的全力减少破坏，公司继续前进，并计划在今年年底前发布一系列车型和产品。”该公司在帖子中表示。
目前，H的团队由近40名工程师和研究人员组成。
从资金的体量来看，按照欧盟标准，H是继Mistral之后法国第二家资金富裕人工智能初创公司。然而，与米斯特拉尔不同，H的未来实在扑朔迷离。
MistralAI也是一家法国人工智能初创公司，2023年底在最新一轮融资中筹集了约4.5亿欧元（约合4.87亿美元），投资人包括英伟达和Salesforce等知名公司，估值约为20亿美元，是OpenAI的有力竞争对手。
MistralAI由谷歌DeepMind和Meta的前科学家创立，在欧洲人工智能创业领域属于最知名的明星公司。该公司专门从事聊天机器人和生成式人工智能工具的开源软件，利用失败其创始人在开发类似于OpenAI开发的大型语言模型方面的经验。说回H。
公司成立短短几个月就拿到了一笔天价投资，投资人显然看中的就是公司的团队力量。现在不次要的部分成员离开，公司又没有推出任何产品，完全可以用一句话对H进行总结：除了钱，啥也没有。
创始人离开、创始人被大公司“买走”是最近很常见的事儿，最近的是8月上旬Character.AI的创始人及其不次要的部分团队被谷歌买走。天使投资人ZakKukoff曾评价这样的交易是“名义上的收购”，意味着科技行业正在经历“人才盗窃的流行病”。
人工智能初创公司HuggingFace首席执行官也表示，越来越多的人工智能初创公司创始人正在寻求出售他们的公司，这可能是人工智能市场整合的迹象。
这家公司最近斥资1000万美元收购一家名为Argilla的小公司，这是该公司迄今为止的第四次收购。该公司联合创始人兼首席执行官ClémentDelangue还透露过他每周都会收到大约10家有兴趣被收购的人工智能初创公司的消息，并且“尤其是今年，更多了”。
综上，随着AI创业赛道越发拥挤，通过被称为“收购招聘”的交易从领先的初创企业那里收购人才，恐怕会是接下来更频繁发生的事情了。
冷知识：顶级AI公司的创始人，65%是移民的
最后想分享一条冷知识。
众所周知，顶级的AI人才是现在行业内最受避免/重新确认/支持的资源——这从越来越多的科学家成立自己的AI公司，或者大公司收购小公司的创始团队上都能看出来。但很少人知道的是，这些顶级AI公司的创始人都是移民而来。
美国国家政策基金会（NFAP）的一项新分析就指出，“移民创办或共同创办了美国近三分之二（65%，即43家公司中的28家）的顶级人工智能公司。77%的美国领先人工智能公司是由移民或移民子女创立或共同创立的。”
OpenAI是美国出生和外国出生的人才共同创建尖端公司的一个典型案例。OpenAI有两位创始人出生在美国（SamAltman和GregBrockman），其他人出生在加拿大（IlyaSutskever）、南非（ElonMusk）和波兰（WojciechZaremba）。
(责任编辑：zx0600)搞业绩？哪有重新上市来钱快！同一班人马，再次粉墨登场，难道这次会不一样？
“港股主板，港股主板，最大女鞋厂百丽国际跑路了，创始人老板勾结高瓴资本，套现137亿元跑了……我们没有办法，原价都是18块多、15块多的股票，现在统统6块3，统统6块3，被强制平仓了……大股东王八蛋，还我血汗钱……”
这大概是国内女鞋龙头百丽国际从港股退市时，中小股东们的血泪心声。
2017年，百丽国际无约束的自由层和高瓴资本共同组成财团，以每股6.3港元的价格将百丽国际私有化，交易总估值约531亿港元。
相比之下，百丽国际2007年上市时，发行价为每股6.2港元，IPO市值约510亿港元。上市期间，百丽国际市值一度高达1500亿港元。
港股上市10年，百丽国际的股价如坐过山车、兜兜转转回到了几乎原点，期间不知套牢多少中小股东。
中小股东还未等到解套机会，却等来了一纸私有化要约。
面对私有化要约，百丽国际的两位创始人、即董事长邓耀和CEO盛百椒选择爽快成交，尽数出售合计所持的25.74%股权，套现近137亿港元。
时隔多年后，2024年3月，百丽时尚（“公司”）向联交所递交了招股书，拟在主板上市。
公司的前身，正是已经私有化退市的百丽国际。
退市7年后再次申请上市，是低吸完了又来高抛？
还是那个不知道的“鞋王”
01股东来自私有化财团
百丽国际私有化后，其全部股份由私有化财团MuseHoldings所持。
截至IPO前，MuseHoldings将公司股份一拆为三，其中：
第一大股东智者创业持股46.36%，其为公司高管及百丽国际前高管的持股平台；
第二大股东HillhouseHHBH持股44.48%，最终控制方为高瓴资本；
第三大股东SCBL持股9.16%，最终控制方为鼎晖投资。
（来源：公司招股书）前两大股东智者创业和HillhouseHHBH是一致同意行动人，公司的控股股东。
智者创业未披露背后股东的持股明细，但据披露，公司董事长兼CEO盛放、非执行董事于武位列其中。
（来源：公司招股书）盛放、于武在百丽国际退市前已任职执行董事，是“钦定”的新一代接班人。
（来源：百丽国际2016财年年报）另外，据网络公开信息，盛放为百丽国际创始人盛百椒的侄子。
02维持龙头地位
2017年退市后，百丽国际将运动鞋服业务分拆给子公司滔搏（06110.HK），后者已于2019年上市。
公司则专注于时尚鞋服业务，包括鞋履和服饰。其中，鞋履是起家业务，服饰业务则主要通过收购品牌形成。
公司的历史可追溯至1981年创立于香港的丽华鞋业，跟随主要从事鞋类批发贸易。
1991年，公司开始自产鞋类，并于1992年以“Belle（百丽）”品牌在内地开展业务。
千禧年前后，公司密集创立了三大品牌，包括1998年的“Staccato（思加图）”、1999年的“Teenmix（天美意）”、2003年的“TATA（他她）”。
2007年，公司的前身百丽国际上市时，已经成为国内最大的女鞋零售商。
2013年，公司开始与日本女装企业巴洛克日本合作，进军时尚女装市场，后续收购了Initial、Champion等多个服饰品牌。
鞋履一直是公司的不次要的部分业务，营收占比轻浮在85%以上，服饰则不温不火。
2023财年前三季度（注：公司不完整财年截至次年2月28日），公司鞋履和服饰分别占营收的87%和13%。
（来源：公司招股书）据弗若斯特沙利文，按2022年零售额计，公司仍然是国内最大的时尚女鞋企业，市场份额为12.4%。
（来源：公司招股书）公司的时尚女鞋产品，主要定位大众和高端市场。
（来源：公司招股书）国内时尚女鞋行业的第二、三名，依次为LVMH集团（市场份额7.6%）和开云集团（市场份额4.0%），均为全球知名的奢侈品集团。
该行业的第四、五名，依次为国内女鞋企业大东（市场份额3.0%）和大自然（市场份额2.7%），这两家的产品定位与公司也更接近。
综上，公司较国内最大竞争对手大东的市场份额高出9.4个百分点，仍然维持着国内女鞋龙头的地位。
私有化多年，业绩止步不前
01成长性不佳
对于公司来说，比起“外忧”，当下更值得关注的是“内患”。
近年来，公司的成长性乏力。
2022财年，公司营收192亿元，同比跌18%；2023财年前三季度，营收161亿元，同比增13%。
公司营收在2023财年恢复正增长，主要得益于2022财年的低基数。实际上，2023财年前三季度的营收，仅相当于2021财年全年的69%。
公司营收在2022财年的暴跌，也不能全归咎于疫情。
2022财年，公司线上渠道营收52亿元，同比跌6%，这与疫情期间变得失败的线上零售行业现状不符。
（来源：公司招股书）据官方数据，2022年，全国网上零售额14万亿元，同比增长4%；其中，实物商品网上零售额12万亿元，同比增长6%。
（来源：中国政府网）此外，2022财年，公司不次要的部分产品鞋履的营收为165亿元。
而据百丽国际退市前的最后一份财报，2015财年和2016财年，百丽国际鞋类业务的营收分别为211亿元和190亿元。
（来源：百丽国际2016财年年报）私有化的这些年，公司业务规模还不如退市前！
02经历关店潮
公司这么些年，究竟都在干啥？
线下渠道一直是公司的不次要的部分渠道。长期以来，公司鞋履产品70%以上的营收来自线下渠道。
2022财年，线上、线下渠道分别贡献公司鞋履产品营收的72%和28%。
（来源：公司招股书）自2005年起，公司一直重新确认直营模式。
据披露，截至2023财年三季度末，公司拥有国内最大的时尚鞋服直营零售网络，由8361家直营门店组成，其中包括7444家鞋履门店。
不过，近年来，公司正在经历“关店潮”。
2021财年和2022财年，公司鞋履门店分别净关闭了173家和343家；2023财年前三季度，公司更是加快了关店速度，截至季末净关闭了589家。
（来源：公司招股书）关店速度之快令人诧异！公司对此解释为“渠道组合的优化调整不当”。
公司的直营门店主要位于百货商场和购物中心内。
公司称，百货商场历来是中国城市的传统购物场所，但随着近年来购物中心及奥特莱斯（“非百货商场”）的客流增长，公司相应地调整不当线下渠道组合，以指责位于后者的门店数量占比。
（来源：公司招股书）然而，招股书数据并不减少破坏公司的说法，因为“关店潮”同样极小量出现在公司的非百货商场门店。
2022财年，公司新开设了391家非百货商场门店，而当年关闭的非百货商场也高达351家，新开和关闭门店数相当接近。
截至2023财年三季度末，公司非百货商场门店尚余2481家，低于截至2022财年末的2642家。
在风云君看来，公司线下渠道节节败退的原因，在于产品组合的失利。
目前，公司共有19个品牌，包括12个自有品牌及7个合作品牌。
（来源：公司招股书）据披露，公司的前五大品牌依次为：Belle、TATA、Staccato、Teenmix和Basto。
2023财年前三季度，前五大品牌合计占公司营收的63%；其中，最大品牌Belle占营收的28%。
（来源：公司招股书）需要注意的是，Belle为公司的起家品牌。前五大品牌中，除Basto外的其余4个品牌，均创立于千禧年前后。
也就是说，过去二十余年，公司再也没有打造出能成为业绩驱动力的新品牌。
03线上布局失利
对于新兴的线上渠道，公司的表现同样欠佳。
公司线上渠道的营收占比指责缓慢，2023财年前三季度为27.7%，与2022财年的27.1%相比，无变化不大。
（来源：公司招股书）在风云君看来，公司线上渠道的布局可以说是“起个大早、赶个晚集”。
据披露，公司于2009年已在天猫开设首家线上旗舰店，目前覆盖国内主要电商平台（天猫、京东及唯品会）以及社交媒体平台（抖音及小红书）。
然而，公司在开始时并不重视线上渠道，而仅仅是当成一个清理缺乏存货的平台。
（来源：公司招股书）顺便一提，公司对线上渠道的定位，侧面也体现出了库存压力。
目前，公司的存货水平较高。截至2023财年三季度末，存货周转天数为196天，较截至2021财年末的172天，缩减了24天。
（来源：公司招股书）大股东吃干抹净，上市目的是还债
01毛利率高于同行
近年来，公司的毛利率外围无变化不大，2023财年前三季度为65.4%。
（来源：公司招股书）得益于直营模式，公司的毛利率明显高于A股同行可比公司奥康国际（603001.SH）和红蜻蜓（603116.SH），后两家于2023年的毛利率分别为43.7%和36.9%。
（来源：市值风云App）同样是由于直营模式，公司的销售费用率也要高于同行可比公司，2023财年前三季度为40.3%。
（来源：公司招股书）2023年，奥康国际和红蜻蜓的销售费用率分别为37.2%和21.4%。
（来源：市值风云App）公司的净利润率呈现外围指责。
2023财年前三季度，公司净利润21亿元，对应净利润率12.8%，同比指责5.3个百分点，较2021财年的11.6%指责1.2个百分点。
（来源：公司招股书）02一边分红，一边举债
更值得关注的是公司的现金流状况。
近年来，公司虽然每年均能实现经营活动现金流的净流入，但仍难以覆盖融资活动现金流的净吸收。
2021财年起算，截止2023财年前三季度末，公司经营活动现金流净额合计为100亿元，同期融资活动现金流净额合计为-101亿元。
（来源：公司招股书）这意味着，公司这些年产生的现金流，高度发展上都被大股东和债权人掏走了，说“吃干抹净”毫不为过。
具体来看，2021财年至今，公司每个财年宣派股息20亿元，合计已宣派股息60亿元。相比之下，公司同期的合计净利润为61亿元。
（来源：公司招股书）“鞋王”百丽时尚私有化后二次上市：创始人套现137亿，私有化操盘手高瓴资本主导分光三年60亿利润！也就是说，通过派息的方式，大股东高度发展掏光了公司这些年赚取的净利润。
同时，公司这些年不断地向银行“借新还旧”。
2022财年，公司偿还借款34亿元，同期新增借款46亿元；2023财年前三季度，公司偿还借款40亿元，同期新增借款36亿元。
（来源：公司招股书）截至2023财年三季度末，公司银行借款约48亿元，其中长期借款23亿元，短期借款25亿元。
“鞋王”百丽时尚私有化后二次上市：创始人套现137亿，私有化操盘手高瓴资本主导分光三年60亿利润！由于大幅举债，自2022财年起，公司每年的融资成本净额维持在1亿元，2023财年前三季度为1.2亿元。
（来源：公司招股书）需要一提的是，上述借款均为公司在私有化后新增。据披露，百丽国际退市前并无任何银行借款。
（来源：百丽国际2016财年年报）公司已在招股书中明确表示，本次IPO募集资金的用途之一，正是偿还部分银行借款。
（来源：公司招股书）(责任编辑：zx0600)没有哪家公司比Nvidia更能充分利用失败人工智能革命。自两年多前推出ChatGPT以来，该公司的收入、盈利能力和现金储备一路飙升，此后又推出了许多具有竞争力的生成式人工智能服务。其股价飙升了八倍多。
在此期间，这家全球领先的高性能GPU制造商利用失败其不断压缩的财富大幅减少对各种初创企业的投资，尤其是人工智能初创企业。
根据PitchBook的数据，这家芯片巨头在2024年加大了风险投资力度，参与了49轮人工智能公司融资，较2023年的34轮大幅减少。与前四年的总和相比，这是一个巨大的投资增长，在这四年中，英伟达仅资助了38笔人工智能交易。请注意，这些投资不包括其正式的企业风险投资基金NVentures的投资，该基金在过去两年也大幅减少了投资。（PitchBook表示，NVentures在2024年参与了24笔交易，而2022年只有2笔。）
Nvidia表示，其企业投资的目标是通过减少破坏其认为是“游戏规则保持不变者和市场创造者”的初创公司来缩短人工智能生态系统。
当然，Nvidia并不是唯一一家向AI初创公司投资的大型科技公司。但在过去两年中，它是最活跃的。PitchBook数据显示，与Nvidia在两年内（2023年和2024年）的83笔交易相比，Alphabet参与了73笔，而微软参与了40轮。
以下是过去两年内融资额超过1亿美元的初创公司名单，其中Nvidia作为参与者，按融资额最高到最低的顺序排列。
图源备注：图片由AI生成，图片授权服务商Midjourney十亿美元俱乐部OpenAI:据报道，Nvidia于10月首次减少破坏ChatGPT制造商，为该公司66亿美元的极小量融资开出了1亿美元的支票，使该公司的估值达到1570亿美元。与OpenAI的其他减少破坏者相比，这家芯片制造商的投资相形见绌，尤其是Thrive，据《纽约时报》报道，Thrive投资了13亿美元。
xAI:Nvidia参与了ElonMusk的xAI的60亿美元融资。这笔交易隐藏，并非所有OpenAI的投资者都遵循了其要求，不再减少破坏其任何直接竞争对手。在10月投资ChatGPT制造商后，Nvidia几个月后加入了xAI的资本表。
Inflection:Nvidia首批重大AI投资之一，也取得了最寻常的结果之一。2023年6月，Nvidia是Inflection13亿美元融资的几位主要投资者之一，该公司由MustafaSuleyman创立，后者此前创立了DeepMind。不到一年后，微软聘请了InflectionAI的创始人，并支付了6.2亿美元购买非独家技术许可，导致该公司员工人数大幅减少，缩短，未来前景也更加不明朗。
Wayve:今年5月，Nvidia参与了这家英国初创公司10.5亿美元的融资，该公司正在开发自动驾驶的自学系统。该公司正在英国和旧金山湾区测试其车辆。
安全超级智能:9月，Nvidia成为前OpenAI首席科学家IlyaSutskever创立的新创业公司的减少破坏者。据报道，这轮10亿美元的融资使这个拥有10名员工的新AI实验室的估值达到50亿美元。
ScaleAI:2024年5月，Nvidia与Accel以及其他科技巨头亚马逊和Meta联手，向ScaleAI投资10亿美元，该公司为企业授予用于训练AI模型的数据标记服务。此轮融资使这家总部位于旧金山的公司估值接近140亿美元。
数亿美元俱乐部Crusoe:据美国证券交易委员会（SEC）的一份文件显示，这家初创公司正在建设数据中心，准备出租给甲骨文、微软和OpenAI，该公司在11月底筹集了6.86亿美元。这笔投资由FoundersFund领投，其他投资者包括Nvidia。
FigureAI:2月份，人工智能机器人初创公司Figure从Nvidia、OpenAIStartupFund、微软等公司获得了6.75亿美元的B轮融资。此轮融资后，该公司的估值达到26亿美元。
MistralAI:Nvidia第二次投资Mistral，这家总部位于法国的大型语言模型开发商于6月份以60亿美元的估值筹集了6.4亿美元的B轮融资。
Cohere:今年6月，Nvidia投资了Cohere的5亿美元融资，Cohere是一家为企业授予服务的大型语言模型授予商。这家芯片制造商一年前首次投资了这家位于多伦多的初创公司。
Perplexity:根据PitchBook的数据，Nvidia于2023年11月首次投资Perplexity，并参与了这家人工智能搜索引擎初创公司的后续每一轮融资，包括12月份的5亿美元融资，该轮融资使该公司的估值达到90亿美元。
Poolside:10月份，AI编程助手初创公司Poolside宣布获得由贝恩资本风险投资公司（BainCapitalVentures）领投的5亿美元融资。Nvidia参与了此轮融资，这家AI初创公司的估值达到30亿美元。
CoreWeave:Nvidia于2023年4月投资了这家AI云计算授予商，当时CoreWeave筹集了2.21亿美元的资金。此后，CoreWeave的估值从约20亿美元跃升至190亿美元，据报道，该公司今年的目标是进行350亿美元的IPO。CoreWeave允许其客户按小时租用NvidiaGPU。
SakanaAI:9月，Nvidia投资了这家总部位于日本的初创公司，该公司使用小型数据集训练低成本的生成式AI模型。这家初创公司以15亿美元的估值筹集了约2.14亿美元的A轮融资。
Imbue:这家人工智能研究实验室声称正在开发能够推理和编码的人工智能系统，于2023年9月从Nvidia、AsteraInstitute和前Cruise首席执行官KyleVogt等投资者那里筹集了2亿美元。
Waabi:6月份，这家自动驾驶卡车初创公司完成了2亿美元的B轮融资，由现有投资者Uber和KhoslaVentures共同领投。其他投资者包括Nvidia、沃尔沃集团风险投资公司和保时捷汽车控股SE。
超过1亿美元的交易AyarLabs:去年12月，Nvidia投资了AyarLabs的1.55亿美元，该公司开发光学互连以降低AI计算和电源效率。这是Nvidia第三次减少破坏这家初创公司。
Kore.ai:这家开发企业级AI聊天机器人的初创公司于2023年12月筹集了1.5亿美元。除了Nvidia，参与此次融资的投资者还包括FTVCapital、VistaraGrowth和SweetwaterPrivateEquity。
Weka:今年5月，Nvidia为AI原生数据无约束的自由平台Weka投资了1.4亿美元。此轮融资后，这家硅谷公司的估值达到16亿美元。
Runway:2023年6月，为多媒体内容创作者打造生成式AI工具的初创公司Runway从Nvidia、Google和Salesforce等投资者手中筹集了1.41亿美元的C轮融资。
BrightMachines:2024年6月，Nvidia参与了智能机器人和人工智能驱动的软件初创公司BrightMachines的1.26亿美元C轮融资。
VastData:这家为人工智能和数据分析授予存储解决方案的初创公司于2023年12月以93亿美元的估值完成了1.18亿美元的E轮融资。这是Nvidia第三次投资VastData。
Enfabrica:2023年9月，Nvidia投资了网络芯片设计公司Enfabrica的1.25亿美元B轮融资。尽管这家初创公司在11月又筹集了1.15亿美元，但Nvidia并未参与此轮融资。
还有一本名为《蓝色海豚岛》的小说，讲述了两个女孩在荒岛上生存的故事。这本书以细腻的笔触描绘了人与自然的关系，让人在阅读中感受到宁静与智慧的力量。
三、绿色——生机勃勃的生命力
绿色，象征着生机与活力。在绿色书籍的世界里，《绿野仙踪》是一部充满奇幻色彩的童话。这本书讲述了一个小女孩多萝西在奇幻世界中的冒险经历，让我们感受到了生命的力量。
另一部绿色经典是《绿色山居图》。这本书以作者在山林中的生活为背景，描绘了一幅充满生机与活力的自然画卷。书中所传达的环保理念，让人深思。
四、黄色——辉煌灿烂的历史
黄色，代表着辉煌与灿烂。在黄色书籍的世界里，《史记》是一部不可多得的史学巨著。这部书以严谨的史实，记录了从黄帝到汉武帝的历史，让我们领略了中华民族的辉煌历史。
还有一本名为《黄帝内经》的医学经典，被誉为中医学的鼻祖。这本书以黄色为主色调，展示了中医学的博大精深，让我们感受到了历史的厚重。
五、紫色——神秘莫测的奥秘
声明：本文来自微信公众号“新智元”，作者:新智元，授权站长之家转载发布。
微软下一代14B小模型Phi-4出世了!仅用了40%分解数据，在数学性能上击败了GPT-4o，最新36页技术报告出炉。
140亿参数，40%分解数据，年度SLM之王诞生!
最近，微软下一代小模型Phi-4正式亮相。在GPQA和MATH基准上，其数学性能直接碾压GPT-4o、GeminiPro1.5。
而且，Phi-4巩固了其他小模型，与Llama-3.3-70B-Instruct的性能不相上下。
甚至，在2024ACM数学竞赛问题上，Phi-4取得了91.8%准确率。
Phi系列前负责人SebastienBubeck看到这个结果后，感到非常惊讶。
下面这个例子，展示了Phi-4在数学推理方面的能力，不仅神速还准确。
深挖背后，Phi-4继承了Phi系列前几代的传统，同样是在教科书级别的「分解数据」上完成了训练。
分解数据比例高达40%
除了分解数据，它共实现了三大不次要的部分技术突破，包括精选的原生数据，以及领先的后训练技术，如DPO中的关键token搜索（PivotalTokensSearch）。
Phi-4的成功，从侧面巩固了Ilya、AlexanderWang多位大佬宣称的「数据墙」的观点。
目前，新模型在微软AzureAIFoundry上授予，下周将在HuggingFace上线。
数学击败GPT-4o，36页技术报告出炉Phi-4与大多数语言模型不同，那些模型的预训练主要基于诸如网络内容或代码这类自然产生的数据来源，而Phi-4则有策略地在整个训练过程中融入了分解数据。
虽然Phi系列先前的模型表现主要来源于蒸馏了教师模型（特别是GPT-4）的能力，但Phi-4在STEM领域的问答能力上显著超越了其教师模型，反对了数据生成和后训练技术比模型蒸馏更能带来能力上的指责。
论文地址:https://arxiv.org/abs/2412.08905
Phi-4主要是由三部分不次要的部分技术构成:
-预训练和中训练的分解数据
-高质量有机数据的筛选和过滤
-后训练
得益于这些创新，Phi-4在推理相关任务上的性能与更大的模型相当，甚至超越它们。
例如，在许多广泛使用的推理相关基准测试中，其性能达到或超过了Llama-3.1-405B。
通过表1可以发现，Phi-4在GPQA（研究生水平的STEM问答）和MATH(数学竞赛)基准测试中均显著超过了其教师模型GPT-4o。
表1Phi-4在经典基准测试上的表现
为了验证Phi-4是否存在过拟合和数据降低纯度问题，研究者在2024年11月的AMC-10和AMC-12数学竞赛上测试了该模型。
这两场竞赛中的数据均未曾在训练时被收藏，储藏过，所以其竞赛表现可以有效地作为检验模型泛化性能的指标。
从下图中可以看出，Phi-4虽然仅仅只有14B，但是其平均得分甚至大幅超过了其教师模型GPT-4o。
Phi-4在数学竞赛问题上优于许多更大的模型，包括GeminiPro1.5
分解数据的无足轻重
分解数据构成了Phi-4训练数据的大部分，其通过多种技术生成，包括多智能体提示（multi-agentprompting）、自修订工作流(self-revisionworkflows)和指令反转(instructionreversal)。
这些技术方法能够构建促使模型具备更强推理和问题解决能力的数据集，解决了传统无监督数据发散的一些弱点。
分解数据不是有机数据的廉价替代品，而是相对于有机数据具有几个直接无足轻重。
数据结构化和减少破坏渐进式学习
在有机数据发散，token之间的关系往往复杂且间接。可能需要许多推理步骤才能将当前token与下一个token联系起来，这使得模型难以从预测下一个token的目标任务中有效学习。
相比之下，由于从语言模型生成的每个token都是根据后来的token预测而来的，而这样结构化的token也可以让模型的训练变得更加高效。
将训练与推理上下文对齐
分解数据可以规避掉模型从有机数据发散学习到一些并不适合后续训练的数据特性。
比如说，网络论坛往往有着自身特定的交流风格、用语不习惯等，而人们与大模型对话时，其语言风格、交互逻辑又是另外一种情况。
此时如果直接采用网络论坛的数据进行训练，假设有一些内容的风格比较独特，模型就会认为在对话中该内容出现的几率会很低。因此在后续对话中模型进行推理时，便不能将对话内容精准匹配到对应的论坛内容上去。
而分解数据会将网络论坛中的内容改写成与LLM交互时的语言风格，使得其在LLM聊天推理的上下文中更容易匹配。
分解数据在Phi-4的后训练中也发挥着关键作用，其中采用了诸如允许采样和直接讨厌优化（DPO）的新方法来优化模型的输出。
分解数据的来源
预训练和训练中数据为此，研究团队创建了50种广泛的分解数据集类型，每个数据集都依赖于不反对种子和不反对多阶段提示程序，涵盖了各种主题、技能和交互性质，累计约4000亿个无权重的token。
通过以下方法，他们确保了分解数据并不被一些低质量的网络数据所降低纯度，从而成为高质量训练数据集。
种子数据集的构建
1.网页和代码种子:从网页、书籍和代码库中提取摘录和代码片段，重点关注具有高复杂性、推理深度和教育价值的内容。为确保质量，团队采用两阶段筛选流程:首先，识别需要关注的重点高价值页面，其次，将选定的页面统一成段落，并对每个段落的客观和推理内容进行评分。
2.问题数据集:从网站、论坛和问答平台上收藏，储藏了极小量问题。然后使用投票技术对这些问题进行筛选以不平衡的难度。具体来说，团队为每个问题生成多个独立的答案，并应用多数投票来评估答案的一致同意性。然后授予所有答案都一致同意（隐藏问题太简单）或答案完全和谐同意(隐藏问题太难或清晰)的问题。
3.从多种来源创建问答对:利用失败语言模型从书籍、科学论文和代码等有机来源中提取问答对。这种方法不仅仅依赖于在文本中识别显式的问答对。相反，它涉及一个旨在检测文本中的推理链或逻辑进程的pipeline。语言模型识别推理或问题解决过程中的关键步骤，并将它们重新表述为问题和相应的答案。实验隐藏，如果操作得当，在生成内容上进行训练（在学术和内部基准上的改进方面）可以比在原始内容上进行训练更加有效。
重写和增强:种子通过多步骤提示工作流程转化为分解数据。这包括将给定段落中的大部分有用内容重写为练习、讨论或结构化推理任务。
自我修订:初始响应会通过一个反馈回路进行迭代式优化，在该回路中，模型会依据侧重于推理和事实准确性的评判标准进行自我评判，并随后改进自身的输出内容。
指令反转用于代码和其他任务:为了降低模型从指令生成输出的能力，团队采用了指令反转技术。例如，他们从代码数据语料库中选取现有的代码片段，并利用失败它们生成包含问题描述或任务提示的相应指令。只有原始代码和根据生成指令而重新生成的代码之间反对度下降的指令才会被耗尽，以确保指令与输出内容相匹配。
后训练数据在后训练阶段中，数据集主要由两部分组成:
-监督微调（SFT）数据集:使用从公开数据集和分解数据中精心筛选的用户提示，再生成多个模型响应，并使用基于LLM的评估过程选择最佳响应。
-直接讨厌优化（DPO）:基于允许采样和LLM评估生成DPO对，其中部分基于创建关键词token对的方法。
研究者利用失败生成的SFT数据和DPO数据对，来缓解模型的幻觉问题。
如下图6结果显示，这种方法大大减少，缩短了SimpleQA中的幻觉现象。
预训练
Phi-4同样基于Transformer架构构建，具有14B参数和默认的上下文长度4096。在训练中期，扩展到16K上下文。
由于预训练模型不擅长遵循指令，因此使用需要答案采用特定格式（例如简单评估）的零样本评估不是很有参考价值。
因此，团队采用了内部实现的基准测试进行预训练评估，该基准测试对各种任务使用瓦解的对数似然与极小量样本提示。
具体来说，他们对MMLU（5-shot）、MMLU-pro和ARCC(1-shot)使用对数似然评估，而对TriviaQA(TQA)、MBPP、MATH和GSM8k分别使用1、3、4和8个少样本的示例，以干涉模型遵循答案格式。
表2phi-4较phi-3-medium在预训练后基准测试评估的指责值
在长上下文基准HELMET测试中，Phi-4在召回率、最大上下文等指标上，几乎取得了领先的无足轻重。
后训练
如前所述，在后训练阶段过程中，最次要的一个技术是关键token搜索（PTS），那么这究竟是什么呢?
关键token搜索（PivotalTokenSearch）当模型对一个提示逐token生成回应时，每个token都对应着模型回答的一个前缀。
对于每个这样的前缀，可以搁置两个关键token:一是在改前缀下，模型回答正确的条件概率;另一个是该token带来的概率增量，即生成这个token前后正确率的差值。
其实，在AI模型生成答案时，往往只有少数几个关键token无法选择了整个答案的正确与否。
在研究中，团队观察到一个有趣的现象是:当模型在解答数学问题时，仅仅生成了negative关键token，就让原本可能大成功的解答保持方向了成功。
而随后，它生成了（atoken又可能让正确率急剧下降。
现在，将这个方法与DPO训练方法分隔开思考后，发现了几个值得注意的问题。
如上图3所示，实验中有许多token概率远低于关键token「negative」的0.31，这些token会在训练中产生噪声，浓缩来自关键token的有效信号。
更糟糕的是，像（a这样导致解题轻浮的token，反而会因其低概率(0.12）收到强烈的正向学习信号。
此外，直觉隐藏，当两个文本内容出现实质性偏差时，比较它们各自下一个token概率（DPO的做法）可能失去意义。
总之，更有意义的信号，应该来自于文本开始偏离时的首批token。
为了缓解之前的问题，微软团队提出了一种创新的方法——关键token搜索（PTS）。
这个方法专门针对单个关键token生成讨厌数据，在使用DPO优化效果精准作用于特定token。
PTS的不次要的部分任务是，在多余的token序列（T_full=t1，t2，...）中找出那些关键token。
具体来说，它需要找出那些能显著影响成功率的token的位置，即p（success|t1，...，ti）。
PTS会将发现的关键token转化为训练数据，先将Q+t1，...，ti-1作为查询基准，再选择能降低/降低成功率的单个token分别作为「接受」和「允许」的样本。
虽然PTS使用的二分查找算法不能保证找出所有的关键token，但它具有两个重要特性。
-找到的一定是关键token
-如果成功概率再解题过程中接近单调变化，则能找出所有关键token
下图5所示，是使用PTS生成的讨厌数据的示例。
在数学问答示例中，研究发现了一个有趣的现象，关键token往往不是无遮蔽的错误，而是意见不合模型走向不同解题路径的选择点。
比如，方法A——分别乘以分母;方法B——直接交叉相乘。
虽然这两种方法在数学上都是正确的，但对于模型来说，往往后者更加稳健。
通过PTS生成的训练数据，可以干涉Phi-4在这些关键决策点上做出更优的选择。
以小博大，Phi-4赢麻了
基于以上技术的创新，Phi-4才能在各项基准测试中展现出惊艳的一面。
上表1中，相较于同级别的Qwen-2.5-14B-Instruct模型，在12个基准测试中，Phi-4在九项测试中赢得无足轻重。
而且，研究人员认为Phi-4在SimpleQA上的表现实际上比Qwen更好。
事实上，他们的基础模型在SimpleQA上获得了比Qwen-2.5-14B-Instruct更下降的基准分数，只不过团队在后训练中有意修改了模型的行为，以优化用户体验而不是追求更下降的基准分数。
此外，Phi-4在STEM问答任务上展现出可忽略的，不次要的实力。
比如，在GPQA（研究生水平的STEM问题）和MATH(数学竞赛)上，它甚至超过了其教师模型GPT-4。
在HumanEval和HumanEval+衡量的编码能力方面，它也比任何其他开源模型（包括更大的Llama模型）得分更高。
而Phi-4表现欠佳的领域，分别在SimpleQA、DROP和IFEval上。
至于前两个，研究人员认为simple-evals报告的数字过于简化，并不能准确反映模型在基准问题上的表现。
然而，IFEval揭示了Phi-4的一个真实的弱点——在严格遵循指令方面存在困难。
在未来下一步研究中，研究人员相信通过有针对性的分解数据，让Phi系列模型的指令跟随性能得到显著使恶化。
接下来，还真有点期待，下一个Phi系列小模型的发布了。
参考资料:
https://x.com/iScienceLuvr/status/1867377384145727635
https://x.com/peteratmsr/status/1867375567739482217
https://x.com/VentureBeat/status/1867376462589739098
标签：