Expensify/App 9.1.12-0版本发布:移动端与桌面端全面优化
Expensify是一款广受欢迎的财务管理应用,它为用户提供了便捷的费用报告、账单支付和团队协作功能。作为一款跨平台应用,Expensify支持iOS、Android、Web和桌面端,让用户可以在任何设备上管理财务事务。
核心功能改进
用户界面与交互优化
本次版本对用户界面进行了多处改进,特别是在移动端体验上。开发团队修复了Android平台上搜索输入框文字跳动的问题,提升了用户输入时的视觉稳定性。同时,针对mWeb(移动网页版)用户,优化了搜索类型菜单的切换体验,解决了菜单卡住的问题。
在报告页面,团队解决了顶部栏在某些查询条件下消失的问题,确保用户始终能够访问关键导航功能。此外,还优化了PDF导出功能,让用户能够更方便地将报告导出为PDF格式。
离线状态处理增强
对于经常需要在无网络环境下使用的用户,新版本改进了离线状态下的反馈机制。特别是在设置存款账户时,当应用处于离线状态,货币行会被正确禁用并给出明确提示。同样,在集成页面更新QBO(QuickBooks Online)字段时,也会提供清晰的离线反馈。
工作区管理改进
工作区功能获得了多项优化。修复了工作区所有者被错误移除的问题,即使API调用失败,系统也会保持正确的所有者状态。同时,在移动网页版中,用户从货币页面返回时会被正确引导至工作区确认页面,而非左侧导航栏。
技术细节与修复
性能与稳定性
开发团队修复了多个可能导致应用不稳定的问题。其中包括处理未使用的乐观更新错误,防止因错误数据导致界面异常。还解决了报告列表滚动被阻止的问题,确保用户能够流畅浏览内容。
表单与输入处理
在表单处理方面,修复了状态字段在从国家列表返回后被清空的问题。同时,在搜索筛选金额页面,现在会正确显示数字键盘,提升输入效率。对于金额输入和支付按钮,优化了重新加载逻辑,避免不必要的界面刷新。
上下文菜单与模态框
改进了上下文菜单的行为,确保迷你上下文菜单能够在已有菜单显示时正常打开。修复了教育提示工具在模态框关闭后仍出现在右侧面板的问题。同时优化了商户页面从报告右侧面板关闭的行为,确保在放弃更改时能够正确关闭。
多语言与本地化
本次更新包含了对西班牙语翻译的补充,添加了"verifyingTheDetails"的翻译。同时修复了调试标签页中"View"按钮未翻译的问题,提升了多语言用户的使用体验。
安全与权限
在安全方面,修复了系统消息在Android设备上因网络状态变化而显示异常的问题。同时优化了标记为冒犯性内容页面的键盘行为,确保键盘能够正确关闭。
总结
Expensify/App 9.1.12-0版本通过一系列细致的改进和修复,进一步提升了应用的稳定性、可用性和用户体验。从核心功能到细节交互,开发团队都进行了精心优化,体现了对产品质量的持续追求。这些改进将帮助用户更高效地管理财务事务,无论是在线还是离线环境下。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00