Expensify/App 9.1.7-2版本发布:移动端优化与功能增强
Expensify是一款广受欢迎的财务管理应用,专注于简化个人和企业的费用报销流程。该应用提供了从收据扫描到费用报告生成的全套解决方案,支持多平台使用。本次发布的9.1.7-2版本主要针对移动端用户体验进行了多项优化和功能增强。
核心改进与优化
用户界面与交互体验
-
选择按钮间距调整:修复了最后一个选择项与"下一步"按钮之间缺少间距的问题,使界面布局更加合理美观。
-
搜索模态框优化:当键盘可见时显示搜索模态框,现在能够正确处理视口滚动位置,避免自动滚动到底部的问题。
-
标签显示优化:当没有选择任何值时,标签现在能够保持正常大小显示,而不是异常缩小。
-
滚动条问题修复:解决了切换报告类型时滚动条异常出现的问题,提升了界面稳定性。
功能增强与修复
-
待处理交易图标:为待处理的卡片交易添加了专门的图标标识,使用户能够更直观地识别交易状态。
-
URL路径更新:将/profile路径统一更新为/overview,保持应用内部路由的一致性。
-
收据扫描流程:修复了收据扫描完成后界面仍然显示扫描状态的问题,确保流程顺畅。
-
分类页面骨架屏:解决了分类页面骨架屏溢出导致页面可滚动的问题,提升了加载时的用户体验。
技术架构改进
-
函数重构:对getTrackExpenseInformation和buildOnyxDataForTrackExpense等核心函数进行了重构,采用参数对象的方式,提高了代码的可读性和可维护性。
-
缓存限制调整:增加了缓存键大小限制,优化了应用性能。
-
离线状态处理:改进了Pusher PINGPONG失败时的离线状态处理机制,增强了应用的稳定性。
-
PDF处理库升级:更新了react-fast-pdf库版本,提升了PDF处理能力。
文档与配置更新
-
文档重命名与更新:对多篇帮助文档进行了重命名和内容更新,包括《创建群组》更名为《域群组》、《创建费用规则》更名为《费用规则》等,使文档命名更加准确。
-
配置文件调整:移除了不再使用的BETA_COMBINED_TRACK_SUBMIT相关引用,清理了项目配置。
-
Git忽略规则:添加了对fleet目录的忽略规则,优化了版本控制管理。
安全与连接改进
-
安全设置API:在安全设置页面新增了API调用,增强了账户安全性。
-
直接连接稳定性:改进了与直接数据源的连接稳定性,减少了连接中断的情况。
-
银行账户页面加载:修复了从桌面端跳转到银行账户页面时可能出现的加载问题。
工作区与群组管理
-
工作区加入链接:修复了工作区加入链接只能使用一次的问题,现在可以多次使用。
-
工作区副标题一致性:解决了在离线模式下更改审批人时工作区副标题显示不一致的问题。
-
群组聊天优化:当从工作区移除成员时,现在会乐观地归档相关群组聊天,提升了响应速度。
总结
Expensify/App 9.1.7-2版本通过一系列细致的优化和修复,显著提升了移动端用户体验。从界面微调到核心功能增强,再到技术架构的改进,这些变化共同构成了一个更加稳定、高效的费用管理解决方案。特别是对离线状态处理、PDF处理和缓存机制的改进,为应用的长期健康发展奠定了更坚实的基础。
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