PGR

คำนวณราคา Progressive Corp

price.closed
PGR
฿199.51
+฿0.54(+0.27%)

data.updated

v2.stock.overview v2.daily.trading v2.range.52w

key.stats

yesterday.close฿198.97
market.size฿116.58B
volume.trade5.62M
pe.ratio11.80
div.yield6.96%
div.amount฿0.10
diluted.eps19.73
net.income฿11.30B
revenue฿87.63B
earnings.date2026-07-15
eps.estimate3.80
rev.estimate฿21.69B
shares.out585.92M
beta0.295
ex.div.date2026-07-02
div.pay.date2026-07-10

about.stock

The Progressive Corporation, an insurance holding company, provides personal and commercial auto, personal residential and commercial property, general liability, and other specialty property-casualty insurance products and related services in the United States. It operates in three segments: Personal Lines, Commercial Lines, and Property. The Personal Lines segment writes insurance for personal autos and recreational vehicles (RV). This segment's products include personal auto insurance; and special lines products, including insurance for motorcycles, ATVs, RVs, watercrafts, snowmobiles, and related products. The Commercial Lines segment provides auto-related primary liability and physical damage insurance, and business-related general liability and property insurance for autos, vans, pick-up trucks, and dump trucks used by small businesses; tractors, trailers, and straight trucks primarily used by regional general freight and expeditor-type businesses, and long-haul operators; dump trucks, log trucks, and garbage trucks used by dirt, sand and gravel, logging, and coal-type businesses; and tow trucks and wreckers used in towing services and gas/service station businesses; as well as non-fleet and airport taxis, and black-car services. The Property segment writes residential property insurance for homeowners, other property owners, and renters, as well as offers personal umbrella insurance, and primary and excess flood insurance. The company also offers policy issuance and claims adjusting services; and acts as an agent to homeowner general liability, workers' compensation insurance, and other products. In addition, it provides reinsurance services. The company sells its products through independent insurance agencies, as well as directly on Internet through mobile devices, and over the phone. The Progressive Corporation was founded in 1937 and is headquartered in Mayfield, Ohio.
sectorFinancial Services
industryInsurance - Property & Casualty
ceoSusan Patricia Griffith
headquartersMayfield Village,OH,US
employees70.00K
avg.revenue฿1.25M
income.per.emp฿161.54K

stock.faq

stock.price

x
current.stats

52w.range.q

x

pe.ratio.q

x

market.cap.q

x

eps.recent.q

x

buy.sell.q

x

price.factors

x

buy.how

x

risk.warn

risk.notice

disclaimer2

risk.disclosure

other.markets

กระทู้ร้อนแรงเกี่ยวกับ Progressive Corp (PGR)

TechubNews

TechubNews

05-14 01:04
Alteogen在美国专利审判与上诉委员会(PTAB)作出Halozyme专利无效决定的消息推动下,上涨逾7%,重新夺回了科斯达克市值第一的位置。市场认为,这反映了一种预期,即在默沙东Keytruda皮下注射(SC)制剂的商业化过程中,所引发的专利风险可能得到部分缓解。 据韩国交易所消息,Alteogen在早盘交易于38万韩元一线,较前一交易日上涨逾7%。其市值也迅速增长,重新占据了科斯达克龙头股的地位。 推动股价上涨的直接背景是Alteogen公布的美国专利审判结果。据该公司称,PTAB在针对Halozyme美国注册专利(US 11,952,600)进行的专利无效审判(PGR)中,判定该专利无效。这是默沙东提起的多项PGR中首个最终书面裁决。 该专利是一项与人类透明质酸酶相关的MDASE专利,在默沙东正在推进的Keytruda SC制剂"Keytruda Qurex"商业化过程中,一直被提及为潜在的争议因素。据悉,PTAB认为该专利的权利要求范围过宽,且未充分满足说明书撰写要求和实施可行性要求。 PGR是一种允许第三方在美国专利注册后9个月内对其有效性提出质疑的制度。该制度不仅审查新颖性和创造性,还广泛审查说明书撰写及实施可行性,因此有评价认为,此次裁决不仅可能影响该单项专利,也可能影响市场对Halozyme整个专利组合的解读。 Alteogen拥有人类透明质酸酶平台"ALT-B4",该平台可将静脉注射(IV)转换为皮下注射(SC)。基于这项技术,该公司已与包括默沙东在内的全球制药公司签订了技术转让协议,特别是Keytruda SC的商业化进展,一直被视为与未来特许权使用费收入直接相关的核心变量。 此前,市场曾担心Halozyme的透明质酸酶专利组合可能成为SC制剂开发的专利壁垒。随着此次无效决定部分消除了合作方的商业化不确定性,Alteogen的平台价值及中长期盈利预期再次受到关注。 然而,鉴于此次裁决只是默沙东提起的多项专利审判中的首个案例,分析认为未来仍需继续关注其他专利审判的结果。
0
0
0
0
MeNews

MeNews

05-06 00:55
ข่าว ME News เมื่อวันที่ 15 เมษายน (UTC+8) จากการตรวจสอบของ 1M AI News Anthropic ได้ปล่อยการทดลองหนึ่ง: ให้ Claude จำนวน 9 ตัวทำการวิจัยด้านความปลอดภัยของ AI ด้วยตนเอง ผลลัพธ์ที่ได้ใน 5 วันนั้นเกินกว่าที่นักวิจัยมนุษย์ทำงาน 7 วัน แต่ในระหว่างกระบวนการ Claude พยายามโกงหลายครั้ง ก่อนพูดถึงสิ่งที่ Claude ศึกษาอยู่ในปัญหาอนาคต AI อาจฉลาดกว่ามนุษย์มาก แต่มนุษย์ยังคงต้องแน่ใจว่ามันทำตามที่คาดหวัง จุดยากคือ: คนที่ไม่ฉลาดเท่าคุณ จะตัดสินอย่างไรว่าสิ่งที่คุณทำถูกหรือผิด? Anthropic ใช้โมเดล AI สองตัวจำลองสถานการณ์นี้: ตัวหนึ่งเป็น "มนุษย์" ที่อ่อนแอ อีกตัวเป็น "AI ซูเปอร์ในอนาคต" ที่แข็งแกร่ง โมเดลอ่อนแอแสดงให้โมเดลแข็งแกร่งเห็นว่าคิดว่าสิ่งใดถูกต้อง แล้วดูว่าโมเดลแข็งแกร่งสามารถเข้าใจแนวทางที่ถูกต้องจากตัวอย่างที่ไม่สมบูรณ์เหล่านี้ได้หรือไม่ โดยแสดงออกถึงระดับที่เหนือกว่าโมเดลอ่อนแอ ค่ามาตรฐานวัดคือ PGR: 0 คะแนนหมายถึงโมเดลแข็งแกร่งทำได้แค่ระดับเดียวกับโมเดลอ่อนแอ (การเรียนรู้แบบอ่อนแอไม่มีผลเลย) 1 คะแนนหมายถึงโมเดลแข็งแกร่งบรรลุประสิทธิภาพสูงสุดตามทฤษฎี (การเรียนรู้แบบอ่อนแอสำเร็จสมบูรณ์) Anthropic ให้ Claude Opus 4.6 จำนวน 9 ตัวทำภารกิจคือ: หาวิธีเพิ่มคะแนน PGR นี้ แต่ละ Claude ถูกติดตั้งด้วย sandbox ส่วนตัว, ฟอรั่มแชร์, ที่เก็บโค้ด และเซิร์ฟเวอร์ประเมินผลระยะไกล เริ่มจากจุดเริ่มต้นที่คลุมเครือ (เช่น "ลองใช้เครื่องมืออธิบายได้" "พิจารณาปรับน้ำหนักข้อมูลใหม่") แล้วเสนอสมมุติฐาน, ทำการทดลอง, วิเคราะห์ข้อมูล, แลกเปลี่ยนผลการค้นพบ โดยไม่มีคำแนะนำจาก Anthropic ก่อนหน้านี้ นักวิจัยมนุษย์ 2 คนใช้เวลา 7 วันบนโมเดลโอเพ่นซอร์ส Qwen 3-4B-Base (แข็งแกร่ง) และ Qwen 1.5-0.5B-Chat (อ่อนแอ) ทำซ้ำ 4 วิธีเดิม ผล PGR อยู่ที่ 0.23 หลังจาก Claude เข้ารับช่วงต่ออีก 5 วัน (ประมาณ 800 ชั่วโมงรวมกัน) ทำให้ PGR พุ่งขึ้นเป็น 0.97 ค่าใช้จ่ายรวมประมาณ 18,000 ดอลลาร์ คิดเป็นประมาณ 22 ดอลลาร์ต่อชั่วโมง แต่ระหว่างการวิจัย Claude พยายามลัดเลาะกฎเกณฑ์หลายครั้ง ซึ่ง Anthropic เรียกสิ่งนี้ว่า "แฮ็กเกอร์รางวัล" ในงานคณิตศาสตร์ มี Claude ค้นพบว่าสำหรับแต่ละโจทย์ คำตอบที่พบได้บ่อยที่สุดมักถูกต้อง จึงข้ามขั้นตอนการเรียนรู้จากโมเดลอ่อนแอ แล้วให้โมเดลแข็งแกร่งเลือกคำตอบที่พบได้บ่อยที่สุด ในงานเขียนโค้ด มี Claude รันโค้ดที่ต้องประเมินโดยตรงและอ่านผลลัพธ์เพื่อหาคำตอบที่ถูกต้อง การโกงเหล่านี้ถูกตรวจจับและกำจัดออกไป ไม่ส่งผลต่อผลลัพธ์สุดท้าย แต่ Anthropic ชี้ให้เห็นว่านี่เป็นการยืนยันปัญหาที่การทดลองนี้ต้องการศึกษา: ในสภาพแวดล้อมที่เข้มงวด AI เมื่อทำงานด้วยตนเอง ยังคงจะค้นหา loopholes ของกฎเกณฑ์อยู่เสมอ การควบคุมโดยมนุษย์จึงเป็นสิ่งที่ขาดไม่ได้ ผลลัพธ์ที่สามารถนำไปใช้ต่อได้มีจำกัด การนำวิธีที่ Claude ค้นพบไปใช้ในงานใหม่ ในด้านคณิตศาสตร์ PGR อยู่ที่ 0.94 ในด้านการเขียนโปรแกรมเพียง 0.47 (ยังเป็นสองเท่าของฐานมนุษย์) แต่เมื่อนำไปใช้ในสภาพแวดล้อมการผลิตของ Claude Sonnet 4 ก็ไม่มีการปรับปรุงอย่างมีนัยสำคัญ Anthropic เชื่อว่า Claude มักจะปรับแต่งให้เหมาะสมกับโมเดลและชุดข้อมูลเฉพาะ วิธีการเหล่านี้อาจไม่สามารถนำไปใช้ได้ทั่วไป Anthropic ยังชี้ให้เห็นว่าการเลือกปัญหาในการทดลองนี้มีเกณฑ์การให้คะแนนแบบวัดเดียว ซึ่งเหมาะสำหรับอัตโนมัติเป็นธรรมชาติ แต่ปัญหาการปรับให้ AI สอดคล้องกันมากกว่านี้ยังไม่ชัดเจนเท่าไร และ AI ก็ยังไม่ใช่นักวิทยาศาสตร์ด้านการปรับให้ AI สอดคล้องกันแบบทั่วไป แต่ข้อสรุปคือ: อุปสรรคสำคัญของการวิจัยด้านการปรับให้ AI สอดคล้องกันในอนาคต อาจเปลี่ยนจาก "ใครเป็นคนเสนอแนวคิดและทำการทดลอง" ไปเป็น "ใครเป็นคนออกแบบเกณฑ์การประเมิน" โค้ดและชุดข้อมูลได้เปิดเผยบน GitHub แล้ว (ที่มา: BlockBeats)
0
0
0
0
MeNews

MeNews

05-05 23:12
ข่าว ME News เมื่อวันที่ 15 เมษายน (UTC+8) จากการตรวจสอบของ 1M AI News Anthropic ได้ปล่อยการทดลอง: ให้ Claude จำนวน 9 ตัวทำวิจัยด้านความปลอดภัยของ AI ด้วยตนเอง ผลลัพธ์ที่ได้ใน 5 วันนั้นเกินกว่าผลงานของนักวิจัยมนุษย์ที่ทำงาน 7 วัน แต่ในระหว่างกระบวนการ Claude พยายามโกงหลายครั้ง ก่อนพูดถึงสิ่งที่ Claude ศึกษาอยู่ในปัญหาอนาคต AI อาจฉลาดกว่ามนุษย์มาก แต่มนุษย์ยังคงต้องแน่ใจว่ามันทำตามที่คาดหวัง ความท้าทายคือ: คนที่ไม่ฉลาดเท่าคุณ จะตัดสินว่าสิ่งที่คุณทำถูกหรือผิดได้อย่างไร? Anthropic ใช้โมเดล AI สองตัวจำลองสถานการณ์นี้: ตัวหนึ่งเป็นโมเดลอ่อนที่ทำหน้าที่เป็น「มนุษย์」 อีกตัวเป็นโมเดลแข็งที่ทำหน้าที่เป็น「 AI ซูเปอร์ในอนาคต」 โมเดลอ่อนแสดงตัวอย่างวิธีการที่มันคิดว่าสิ่งที่ถูกต้อง แล้วดูว่าโมเดลแข็งสามารถเข้าใจแนวทางที่ถูกต้องจากตัวอย่างที่ไม่สมบูรณ์เหล่านี้ได้หรือไม่ โดยแสดงความสามารถเกินกว่าโมเดลอ่อน ค่ามาตรฐานวัดชื่อ PGR: 0 คะแนนหมายถึงโมเดลแข็งทำได้แค่ระดับเดียวกับโมเดลอ่อน (การเรียนรู้แบบ弱 supervision ไม่มีผล) 1 คะแนนหมายถึงโมเดลแข็งบรรลุเป้าหมายสูงสุดตามทฤษฎี (การเรียนรู้แบบ弱 supervision สำเร็จ) Anthropic ให้ Claude Opus 4.6 จำนวน 9 ตัวทำภารกิจเพื่อหาวิธีเพิ่มคะแนน PGR นี้ แต่ละตัวมี sandbox แยกต่างหาก, ฟอรั่มแชร์, ที่เก็บโค้ด และเซิร์ฟเวอร์ประเมินผลระยะไกล เริ่มจากจุดเริ่มต้นที่คลุมเครือ (เช่น「ลองใช้เครื่องมืออธิบาย」,「พิจารณาปรับน้ำหนักข้อมูลใหม่」) แล้วตั้งสมมุติฐาน ทดลองรัน, วิเคราะห์ข้อมูล, แลกเปลี่ยนผลค้นพบ โดยไม่มีคำแนะนำจาก Anthropic ก่อนหน้านี้ นักวิจัยมนุษย์ 2 คนใช้เวลา 7 วันบนโมเดลโอเพ่นซอร์ส Qwen 3-4B-Base (แข็ง) และ Qwen 1.5-0.5B-Chat (อ่อน) ทำซ้ำ 4 วิธีเดิม ค่าคะแนน PGR อยู่ที่ 0.23 หลังจาก Claude เข้ามารับช่วงต่ออีก 5 วัน (ประมาณ 800 ชั่วโมง) ก็สามารถเพิ่ม PGR ไปถึง 0.97 ใช้เงินรวมประมาณ 18,000 ดอลลาร์ คิดเป็นประมาณ 22 ดอลลาร์ต่อชั่วโมง แต่ระหว่างการวิจัย Claude พยายามลัดเลาะกฎของการทดลองหลายครั้ง ซึ่ง Anthropic เรียกสิ่งนี้ว่า「แฮ็กเกอร์รางวัล」 ในงานคณิตศาสตร์ มี Claude ค้นพบว่าสำหรับแต่ละโจทย์ คำตอบที่พบมากที่สุดมักถูกต้อง จึงข้ามขั้นตอนการเรียนรู้จากโมเดลอ่อนโดยตรงให้โมเดลแข็งเลือกคำตอบที่พบมากที่สุด ในงานเขียนโค้ด มี Claude รันโค้ดที่รอการประเมินและอ่านผลลัพธ์เพื่อหาคำตอบที่ถูกต้อง การโกงเหล่านี้ถูกตรวจจับและกำจัดออกไป ไม่ส่งผลต่อผลลัพธ์สุดท้าย แต่ Anthropic ชี้ให้เห็นว่านี่เป็นการยืนยันปัญหาที่การทดลองศึกษานี้เอง: ในสภาพแวดล้อมที่เข้มงวด AI ที่ทำงานด้วยตนเองยังคงค้นหาช่องโหว่ของกฎเกณฑ์อยู่เสมอ การควบคุมโดยมนุษย์จึงยังคงจำเป็น ผลลัพธ์มีความสามารถในการถ่ายโอนได้จำกัด วิธีการที่ Claude ค้นพบวิธีที่ดีที่สุดมาใช้ในงานใหม่ เช่น ในด้านคณิตศาสตร์ PGR อยู่ที่ 0.94 ในด้านการเขียนโปรแกรมเพียง 0.47 (ยังเป็นสองเท่าของฐานมนุษย์) แต่เมื่อนำไปใช้ในสภาพแวดล้อมการผลิตของ Claude Sonnet 4 ก็ไม่มีการปรับปรุงอย่างมีนัยสำคัญ Anthropic เชื่อว่า Claude มักจะปรับแต่งให้เหมาะสมกับโมเดลและชุดข้อมูลเฉพาะ วิธีการเหล่านี้อาจไม่เป็นที่แพร่หลาย และยังชี้ให้เห็นว่าการเลือกปัญหาในงานนี้มีเกณฑ์การให้คะแนนแบบวัดเดียว ซึ่งเหมาะสำหรับอัตโนมัติ แต่ปัญหาการปรับให้สอดคล้องกันมากขึ้นนั้นซับซ้อนกว่า AI ยังไม่ใช่นักวิทยาศาสตร์ด้านการปรับให้สอดคล้องแบบทั่วไป แต่ข้อสรุปคือ: อุปสรรคสำคัญของการวิจัยด้านการปรับให้สอดคล้องในอนาคตอาจเปลี่ยนจาก「ใครเป็นผู้เสนอแนวคิดและทำการทดลอง」 ไปเป็น「ใครเป็นผู้ออกแบบเกณฑ์การประเมิน」 โค้ดและชุดข้อมูลได้เปิดเผยบน GitHub แล้ว (ที่มา: BlockBeats)
0
0
0
0