Expensify/App 9.0.95-6版本发布:全面优化用户体验与功能增强
Expensify是一款广受欢迎的财务管理应用程序,旨在帮助个人和企业简化报销、费用跟踪和发票管理等财务流程。作为一款跨平台的解决方案,Expensify提供了Web、移动端和桌面端的全面支持,让用户能够随时随地管理自己的财务事务。
核心功能改进
费用管理优化
本次版本对费用管理功能进行了多项改进,显著提升了用户体验。首先解决了在同一天内计算每日津贴(Per Diem)时出现的时间计算错误问题,确保津贴计算的准确性。其次,改进了离线模式下创建分割费用时的滚动行为,现在当用户创建第二个分割费用时,应用会自动滚动到新创建的费用条目,避免了手动滚动的麻烦。
对于账单功能,开发团队修复了账单名称在不同设备上的显示格式问题,确保了一致性。同时,优化了费用提交确认页面的处理逻辑,解决了应用可能卡在确认页面的问题。
搜索功能增强
搜索体验在本版本中得到了显著提升。当用户完全输入自己的电子邮件地址时,自聊会话不再从搜索结果顶部消失。此外,搜索到的聊天室现在会显示房间名称,帮助用户更快识别和选择目标聊天。
用户界面改进
聊天与消息体验
开发团队对聊天界面进行了多项优化。修复了分割费用时聊天不自动滚动的问题,确保新消息能够及时显示在可视区域内。同时,改进了内联代码的格式支持,现在内联代码可以正确显示粗体和斜体样式。
对于消息列表,修复了未读标记不更新的问题,确保"阅读最新消息"操作能够正确标记报告为已读状态。此外,还优化了粘贴消息的超链接显示格式,确保一致性。
视觉与交互优化
在视觉方面,修复了下标头像颜色在取消悬停后不重置的问题,提升了界面的一致性。改进了每日津贴金额的显示方式,解决了金额被换行显示的问题。对于工作空间设置页面,调整了文案描述,使其更加清晰易懂。
技术架构优化
性能提升
本次发布包含多项性能优化措施。重构了filterAndOrderOptions函数,显著提高了选项过滤和排序的效率。优化了shouldFetchReport函数的逻辑,减少了不必要的更新操作。这些改进共同提升了应用的整体响应速度。
安全与稳定性
在安全方面,团队将所有iOS和Android密钥迁移到了更安全的存储系统。修复了在切换委托账户和用户账户时可能导致应用崩溃的问题,增强了应用的稳定性。同时,优化了Pusher的PONG处理逻辑,提高了实时通信的可靠性。
跨平台一致性
Android特定改进
针对Android平台,引入了临时的焦点修复方案,解决了HybridApp中的输入焦点问题。同时优化了设备返回按钮在选择模式下的行为,使其与应用的返回按钮保持一致。
iOS特定优化
在iOS方面,更新了ShareExtension的配置描述,简化了构建流程。同时修复了全故事会话在不应该启动的场景下意外启动的问题。
文档与帮助系统
本次更新还包含了对帮助文档的多项改进。更新了关于工作空间成员管理的文档,增加了关于个人卡使用的帮助文章。同时修订了与NetSuite连接相关的说明文档,确保信息的准确性和时效性。
总的来说,Expensify/App 9.0.95-6版本通过一系列的功能增强、界面优化和性能改进,为用户提供了更加流畅、可靠的财务管理体验。这些改进涵盖了从核心功能到细节优化的各个方面,体现了开发团队对产品质量和用户体验的持续关注。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00