Expensify/App 9.0.80-6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,专注于简化个人和企业的费用报销流程。作为一款全平台应用,它提供了从收据扫描、费用跟踪到报销审批等一站式解决方案。本次发布的9.0.80-6版本带来了多项重要改进,特别是在发票处理、离线功能、搜索体验和支付流程等方面进行了显著优化。
核心功能改进
发票处理优化
本次更新对发票系统进行了多项改进,解决了多个关键问题。首先是修复了在商业发票支付后创建新个人发票的问题,确保了发票流程的连贯性。同时优化了搜索发票页面,现在能够正确显示"expense"商户文本,提升了搜索结果的准确性。此外还修复了发票徽章货币显示问题,使财务信息展示更加规范统一。
离线功能增强
团队对应用的离线功能进行了重要改进,特别是优化了feed移除流程在离线状态下的表现。这一改进确保了即使用户处于离线状态,也能获得更流畅的feed管理体验。同时修复了重新上线时群组聊天可能导致的崩溃问题,增强了应用的稳定性。
搜索与导航体验
搜索功能在本版本中获得了多项优化。修复了导航到报告页面时可能出现的双重过滤工具提示问题,提升了界面整洁度。同时解决了从搜索返回后线程显示异常的问题,使导航流程更加顺畅。还改进了报告在LHN(左侧导航栏)中的显示逻辑,确保用户能够快速找到所需内容。
技术实现细节
支付流程改进
支付系统在本版本中获得了多项技术优化。修复了支付费用和取消支付时评论区域不会自动滚动到底部的问题,提升了交互体验。同时改进了键盘可能阻塞输入框的问题,特别是在更改支付方法或后台运行应用后,确保了输入流畅性。
性能与稳定性
团队对应用性能进行了多项底层优化。实现了策略列表完整下载前的旋转加载指示器,提供了更好的等待体验。修复了验证页面打开两次时验证码自动消失的问题,增强了账户验证流程的可靠性。同时解决了15MB以上大文件上传失败的问题,扩展了文件处理能力。
国际化支持
本版本引入了国际银行账户流程的支持,为全球用户提供了更完善的银行服务集成。同时优化了货币和数字处理逻辑,特别是正确支持了每日津贴费率为负数的情况,满足了更复杂的财务场景需求。
开发者视角
代码质量提升
开发团队对代码库进行了多项重构和优化。重构了buildOptimisticTransaction函数,提高了代码可维护性。同时更新了Corpay字段逻辑并集成了相关API,为未来功能扩展奠定了基础。
测试覆盖增强
团队增加了多项单元测试,特别是针对报告在LHN中显示逻辑的测试用例,提高了代码质量保证。同时修复了多个边界条件下的崩溃问题,如创建跟踪费用时的潜在崩溃风险。
用户体验改进
界面优化
本次更新对多个界面元素进行了细致调整。修复了底部表单显示时消息内容重叠的问题,提升了阅读体验。同时优化了原生BaseTextInput中的后缀显示问题,确保表单元素的一致性。还改进了composer教育提示在移动Safari上的位置问题,使提示更加准确。
交互流程
团队优化了多个关键交互流程。修复了从导入RHP返回后应用后退按钮行为不一致的问题,使导航更加符合预期。同时改进了自动插入OTP功能,提升了验证流程的效率。还优化了缓存清理机制,确保账户切换后数据状态正确。
总结
Expensify/App 9.0.80-6版本通过一系列精心设计的改进,显著提升了应用的稳定性、功能完整性和用户体验。从核心的发票处理到日常的交互细节,开发团队都进行了全面优化。这些改进不仅解决了现有问题,还为未来的功能扩展奠定了坚实基础,展现了Expensify持续优化产品体验的承诺。
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