Expensify/App 9.1.3-4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程序,专注于简化个人和企业的费用报告流程。该应用提供了从收据扫描到报销审批的全套解决方案,帮助用户高效管理财务事务。最新发布的9.1.3-4版本带来了一系列重要的功能改进和错误修复,特别是在移动端体验和核心功能稳定性方面有了显著提升。
双因素认证流程重构
本次更新对双因素认证(2FA)流程进行了重要重构。开发团队移除了对react-native-animatable库的依赖,转而采用了独立的屏幕设计来实现2FA流程。这种架构调整不仅简化了代码结构,还提高了认证流程的可靠性。对于终端用户而言,这意味着更稳定、更流畅的登录体验,特别是在网络条件不理想的情况下。
移动端用户体验优化
在移动端体验方面,开发团队针对几个关键场景进行了优化:
-
费用扫描失败处理:修复了当扫描失败时错误地要求接收者输入信息的问题,现在系统会提供更合理的错误提示和处理流程。
-
小屏幕设备适配:解决了在小屏幕设备上报告页面自动聚焦/重新聚焦的问题,避免了不必要的键盘弹出和界面跳动,提升了用户操作的连贯性。
-
搜索自动完成列表:优化了箭头键导航功能,使用户能够更顺畅地使用键盘在搜索结果中进行选择。
-
视频播放控制:修复了从搜索返回收件箱时视频不会停止播放的问题,避免了后台资源的不必要消耗。
费用管理功能增强
在核心的费用管理功能方面,本次更新包含多项改进:
-
分组费用排序:禁用了分组费用的排序功能,这有助于保持费用报告的原始组织逻辑,避免因自动排序导致的混乱。
-
保存按钮响应:修复了从货币选择器模态框返回后保存按钮可能无响应的问题,确保用户能够顺利完成费用提交。
-
公司卡分配页面:优化了页面加载逻辑,消除了短暂显示公司卡分配页面的问题,使界面切换更加流畅。
工作区与管理员功能改进
针对企业用户,本次更新也包含多项工作区和管理功能的优化:
-
促销横幅:修复了工作区启用功能高亮显示的问题,确保管理员能够准确识别可用的高级功能。
-
管理员房间显示:消除了管理员房间中不必要显示的第二行内容,使界面更加简洁。
-
Concierge聊天:优化了入职流程中的Concierge聊天识别逻辑,确保新用户能够获得及时有效的支持。
技术架构升级
在底层技术方面,值得注意的改进包括:
-
Pusher库实现:为iOS和Android平台实现了React-Native Pusher库,这将提升实时通信的可靠性和性能。
-
电话号码验证:改进了电话号码验证的错误消息,使用户能够更清楚地理解验证失败的原因。
-
混合应用体验:切换回旧版Dot体验,以提供更稳定的混合应用运行环境。
这些技术改进不仅提升了当前版本的用户体验,也为未来的功能扩展奠定了更坚实的基础。开发团队持续关注性能优化和架构简化,确保应用能够长期保持高效稳定的运行状态。
总结
Expensify/App 9.1.3-4版本通过一系列精心设计的改进,显著提升了应用的稳定性和用户体验。从核心的费用管理功能到移动端交互细节,再到后台技术架构,这次更新体现了开发团队对产品质量的持续追求。对于现有用户来说,这些改进将带来更流畅、更可靠的使用体验;对于潜在用户而言,这些优化进一步强化了Expensify作为专业财务管理解决方案的市场竞争力。
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