Expensify/App 9.1.23-7版本发布:全面优化用户体验与功能增强
项目简介
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报销流程。作为一款全平台应用,它提供了从费用跟踪、报告生成到审批流程的完整解决方案。本次发布的9.1.23-7版本带来了多项重要改进,涵盖了用户界面优化、功能增强和错误修复等多个方面。
核心改进与优化
1. 审批流程优化
开发团队对审批流程进行了多项改进,包括修复了当启用审批模式时显示不正确下一步消息的问题。现在系统会默认在新工作区中启用"添加审批"功能,这一改变显著提升了工作区创建后的审批流程设置效率。
2. 搜索功能增强
搜索体验是本版本的重点优化领域之一。修复了长文本粘贴时左侧填充丢失和光标焦点缺失的问题,同时解决了卡片列表在搜索结果为空时无限加载的情况。这些改进使得用户在进行费用搜索时能够获得更加流畅和可靠的体验。
3. 报告处理改进
报告模块获得了多项增强:
- 修复了报告总价值处理的问题
- 统一了聊天预览中的发票报告标题显示
- 优化了报告行和预览的按下和导航行为
- 改进了报告搜索功能,现在能够正确处理包含双引号的用户显示名
4. 移动端体验提升
针对移动用户,本版本特别优化了:
- 修复了混合应用中2FA流程的问题
- 解决了Android设备上下载收据后点击时收据消失的问题
- 改进了移动Web端的附件选择器显示问题
- 修复了离线指示器不在页面底部显示的问题
5. 用户界面改进
界面方面进行了多项细致优化:
- 减少了确认模态框中按钮之间的间距
- 修复了RHP(右侧面板)关闭时的动画问题
- 更新了重复图标的设计
- 减少了骨架屏的线条数量
- 修复了键盘导航在卡片列表页面无法滚动的问题
技术实现亮点
1. 交易通知支持
本版本新增了对交易推送通知的支持,这将显著提升用户对重要财务活动的实时感知能力。这一功能的实现涉及到底层通知系统的重构和优化。
2. 数据模型调整
开发团队对数据模型进行了重要调整,将"与会者"信息从交易主表迁移到了交易的评论部分。这种结构调整提高了数据组织的合理性,为未来的功能扩展奠定了基础。
3. 全故事属性增强
为完善用户行为分析,新增了多项全故事(FullStory)属性,这将帮助开发团队更好地理解用户行为模式,从而做出更精准的产品改进决策。
4. 安全升级
作为常规维护的一部分,本版本将Electron从32.3.3升级到了33.4.8版本,包含了多项安全补丁和性能改进,提升了桌面客户端的安全性和稳定性。
国际化与本地化
团队继续完善多语言支持:
- 修复了调试头中"Actions"未正确翻译为西班牙语的问题
- 修正了审查翻译文本的准确性
- 优化了系统消息的显示,移除了自动提交时的冗余行
性能优化
本版本包含多项性能改进措施:
- 清理了桌面更新的调试日志
- 优化了数据加载逻辑,减少了不必要的网络请求
- 改进了列表渲染性能,特别是在搜索结果为空时的处理
开发者体验改进
为提升团队协作效率,开发流程也获得了多项优化:
- 更新了样式指南,要求10个以上参数的函数使用参数对象
- 移除了部署阻塞标签的问题,然后创建新的检查清单
- 更新了错误模板语言并保持平台一致性
总结
Expensify/App 9.1.23-7版本是一个注重细节改进的更新,在保持核心功能稳定的同时,对用户体验的各个方面进行了精心打磨。从审批流程到搜索功能,从移动端体验到界面细节,每一项改进都体现了开发团队对产品质量的执着追求。这些变化将共同为用户带来更加流畅、可靠和愉悦的财务管理体验。
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