Expensify/App 9.1.40-7版本发布:功能优化与问题修复
Expensify是一款广受欢迎的财务管理应用,专注于简化个人和企业的报销流程。该应用提供了从费用跟踪、报告生成到支付处理的全套解决方案。最新发布的9.1.40-7版本带来了一系列功能改进和问题修复,进一步提升了用户体验。
核心功能改进
费用报告视图优化
开发团队对费用报告视图进行了多项改进。现在当用户查看报告时,系统会正确显示"标记为已关闭"操作,与"已提交"操作保持一致的显示方式。此外,修复了报告页面中"下一步骤"上方显示额外空白的问题,使界面更加紧凑。
银行账户与支付功能增强
在银行账户设置方面,修复了Expensify卡页面在关闭银行账户设置RHP后意外重新加载的问题。支付菜单中的银行图标显示过小的问题也得到了解决,现在图标大小更加合适。对于可疑交易的显示也进行了优化,确保在浅色模式下字体颜色正确显示。
聊天与群组功能改进
群聊功能获得多项增强。修复了离线创建的聊天成员显示不正确的问题,确保所有成员都能正确显示。当报告最后操作为MOVED类型时,系统现在能正确返回最后一条消息。此外,还修复了分割扫描后工作区聊天重复显示的问题。
用户体验提升
界面交互优化
开发团队对多处界面交互进行了优化。修复了"收件人"字段有悬停效果但不可点击的问题,现在交互更加符合用户预期。在房间成员页面,选择状态现在能够正确持久化保存。长按操作现在可以在选择模式启用时切换选择状态,提高了操作效率。
移动端体验改进
针对移动设备,修复了Android设备上离线创建的聊天在左侧导航栏显示的问题。在新报告预览页面添加了缺失的触摸处理程序,使触摸操作更加流畅。选择模式在新报告页面的表现也得到了修复。
安全性与账户管理
在安全性方面,强制要求从经典版过渡到新版的用户启用双重认证(2FA),提高了账户安全性。对于工作区邀请流程也进行了优化,确保工具提示能够正确显示。
技术架构优化
在技术架构层面,移除了不再使用的isArchivedReportWithID()函数,该函数原本用于获取报告NVP值。简化了混合模式和独立模式的设置流程,使代码更加清晰。对测试用例和注释进行了改进,提高了代码的可维护性。
问题修复
此版本修复了多个关键问题,包括:
- 修复了自DM费用预览中上下文菜单不显示的问题
- 解决了WS更新描述系统消息显示HTML标签而非Markdown的问题
- 修正了收据页面缺失标题和三点菜单的问题
- 修复了验证触发无效联系人的问题
- 解决了报告中"收件人"字段显示为"隐藏"的问题
总结
Expensify/App 9.1.40-7版本通过一系列功能优化和问题修复,进一步提升了应用的稳定性和用户体验。从费用管理到聊天功能,从界面交互到安全性能,各个方面都得到了不同程度的改进。这些变化体现了开发团队对产品质量的持续关注和对用户反馈的积极响应。
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