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。
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