Expensify/App 9.0.81-6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,专注于为企业和个人提供便捷的费用报销、账单管理和团队协作解决方案。该应用支持多平台使用,包括Web、iOS和Android,以其简洁的界面和强大的功能在财务软件领域占据重要地位。
核心改进与优化
移动端用户体验提升
本次版本针对移动设备进行了多项优化,显著提升了用户交互体验:
-
输入框焦点问题修复:解决了iOS平台上房间描述输入框需要多次点击才能获取焦点的问题,使表单填写更加流畅。
-
导航栏重叠问题:修复了Android设备上"获取实体卡"按钮与设备导航栏重叠的显示问题,确保界面元素的正确布局。
-
键盘平滑处理:优化了基础模态框(BaseModal)中的键盘处理逻辑,使键盘弹出和收起更加平滑自然。
-
本地通知优化:移除了短信域(sms domain)相关的本地通知,减少了不必要的干扰。
工作区管理增强
工作区功能是Expensify的核心特性之一,本次更新带来了多项改进:
-
离线保存功能:增强了工作区在离线状态下的保存能力,确保用户在网络不稳定时仍能正常使用。
-
主工作区标识:新增了主工作区的视觉标识,解决了之前主工作区看起来随机的问题,提高了界面清晰度。
-
功能排序一致性:确保工作区侧边导航栏(LHN)中的功能项保持一致的排序,提升用户操作的可预测性。
-
删除后导航优化:修复了在iOS/Android设备上删除工作区后应用返回账户设置而非工作区列表的问题。
费用报销流程改进
费用管理是Expensify的核心功能,本次更新对相关流程进行了优化:
-
分项验证修复:解决了"分项总和必须等于总金额"错误信息显示异常的问题。
-
每日津贴流程:实现了每日津贴(per diem)请求流程,扩展了费用报销类型。
-
审批模式修正:修复了重新启用审批模式时设置不正确的问题。
-
货币显示优化:在用户升级订阅时,现在会显示以用户本地货币计算的升级价格,提高了透明度。
性能与稳定性
-
性能数据导出:新增了性能数据导出功能,便于开发团队监控应用性能。
-
搜索功能优化:限制了搜索查询长度,防止过长的查询导致性能问题。
-
线程显示修复:解决了新消息错误显示为来自其他用户发送的问题。
-
工具提示改进:使产品培训工具提示能够点击指向的元素,提高了交互性。
技术实现细节
-
代码结构优化:对齐了ReportUtils文件中的默认ID,提高了代码一致性。
-
测试覆盖增强:为产品培训上下文和钩子添加了测试用例,提高了代码质量。
-
Google标签管理:为Google Tag Manager脚本添加了nonce属性,增强了安全性。
-
自动聚焦优化:修复了电话号码字段无法自动获取焦点的问题。
总结
Expensify/App 9.0.81-6版本通过一系列精细化的改进,显著提升了移动端用户体验和工作区管理效率。从输入交互的优化到核心报销流程的完善,再到性能监控能力的增强,这些改进共同构成了一个更加稳定、易用的财务管理解决方案。特别是对离线功能和每日津贴流程的支持,进一步拓展了应用在商业场景中的适用性。这些更新体现了开发团队对细节的关注和对用户反馈的积极响应,为Expensify用户提供了更加流畅和可靠的使用体验。
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