Expensify/App 9.1.63-0版本发布:移动端优化与功能增强
项目简介
Expensify是一款广受欢迎的财务管理应用程序,专注于简化个人和企业的报销流程。作为一款跨平台应用,它提供了移动端(Android/iOS)、桌面端和Web端的完整解决方案,帮助用户高效管理日常开支、团队报销和财务审批等工作。
版本亮点
用户界面改进
本次9.1.63-0版本对用户界面进行了多项优化。报告页面采用了全新的事务行样式,提升了视觉清晰度和操作便捷性。在费用报告中,移除了总计按钮,使界面更加简洁。同时修复了测试驱动模式在键盘弹出时的显示问题,增强了用户体验的连贯性。
性能优化
开发团队针对应用性能进行了深入优化。通过直接传递属性给左侧导航栏(LHN)项目,减少了不必要的渲染开销。更新了Onyx库至最新版本,提升了数据管理的效率。此外,还优化了应用状态变更时的计时清理机制,确保系统资源得到合理利用。
功能增强
-
搜索功能强化:为工作区列表页面新增了搜索栏,方便用户快速定位目标工作区。同时优化了搜索路由到报告的导航延迟问题,使操作更加流畅。
-
报告管理改进:修复了待删除搜索项的选择问题,增强了报告视图中的链接交互性。对于企业政策,默认启用了参会者追踪功能,简化了管理流程。
-
安全与账户管理:新增了账户锁定功能,管理员可以在设置页面直接锁定和解锁账户,增强了系统安全性。同时优化了登录限制列表,提供了更完善的账户保护机制。
移动端专项优化
针对Android平台,修复了时间值删除时文本输入光标跳转的问题。在iOS平台,优化了附件预览页面的返回导航逻辑。跨平台解决了编辑组件在报告页面的显示问题,确保各平台体验一致。
企业功能升级
对于企业用户,隐藏了中小企业用户不需要的1-10人公司规模选项,使界面更加简洁。优化了企业卡片的图片检查逻辑,确保显示正确。同时改进了企业政策变更和工作区邀请提交流程,提升了管理效率。
技术实现细节
-
Markdown渲染优化:更新了实时Markdown渲染库,修复了表情符号格式化问题,确保富文本内容显示准确。
-
导航架构调整:新增了导航标签栏(NavigationTabBar)的虚拟组件,为未来的导航结构调整奠定了基础。
-
错误处理增强:改进了必填字段缺失时的错误显示,提供了更明确的用户反馈。同时修复了工作区管理员提交按钮的显示问题。
-
自动化测试改进:优化了CI/CD流程中的远程构建操作,提升了自动化测试的效率和可靠性。
总结
Expensify/App 9.1.63-0版本通过一系列界面优化、性能提升和功能增强,进一步巩固了其作为专业财务管理工具的地位。特别是对企业用户的功能改进和安全增强,显示了开发团队对商业用户需求的深入理解。跨平台一致性的持续优化,也确保了不同设备用户都能获得流畅的使用体验。这些改进共同构成了一个更稳定、更高效、更用户友好的财务管理解决方案。
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