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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00