Expensify/App 9.1.19-5版本发布:移动端优化与功能增强
项目简介
Expensify/App是一款专注于费用管理和报销的跨平台应用,支持iOS、Android和Web端。该应用提供了从费用跟踪、发票管理到团队报销等一系列财务相关功能,旨在简化个人和企业的财务管理流程。
核心更新内容
移动端用户体验优化
本次更新针对移动端进行了多项体验优化。iOS和Android平台现在支持参数化配置,便于进行分支测试。键盘输入体验得到改进,当离线指示器可见时会自动添加键盘偏移量,避免输入区域被遮挡。此外,修复了在小屏幕上新聊天输入框重新获取焦点的问题,提升了聊天界面的交互流畅度。
报告与附件功能增强
报告视图的稳定性得到提升,修复了从报告返回时界面抖动的问题。附件查看功能也进行了优化,视频附件模态框的背景颜色问题已修复。对于扫描的收据,更新了创建流程,现在用户可以查看完整的收据内容,提高了费用记录的准确性。
支付与卡片管理改进
在支付流程方面,当用户支付发票时,现在会隐藏添加新卡的选项,简化了支付步骤。对于Expensify卡页面,修复了空状态下出现双滚动条的问题。钱包银行账户弹出窗口的多余空间问题也得到了解决,界面更加整洁。
技术架构升级
在技术层面,项目继续推进架构现代化。AuthScreens组件已迁移至useOnyx v3,提升了状态管理的效率和可维护性。报告页面现在使用独立的FlatList组件,优化了列表渲染性能。同时,更新了Terser配置以保留函数和类名,便于调试时获取更有价值的堆栈跟踪信息。
开发者相关更新
对于开发者而言,本次发布包含多项改进。Standalone应用的开发构建流程得到修复,React Native背景任务模块的版本已更新至与RN 0.77兼容。还添加了代码审查提醒机制,在运行测试构建前会提示开发者检查代码。错误处理方面,为损坏的卡片连接错误添加了RBR领导成员信息,便于问题排查。
总结
Expensify/App 9.1.19-5版本通过一系列优化和修复,显著提升了应用的稳定性和用户体验。从移动端交互到支付流程,从技术架构到开发者工具,各方面都得到了完善。这些改进使得Expensify继续保持在费用管理领域的竞争力,为用户提供更加流畅、可靠的财务管理服务。
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