Akaunting 3.1.15版本发布:财务管理系统新特性与优化
Akaunting是一款开源的在线会计和财务管理系统,专为中小企业和自由职业者设计。该系统采用模块化架构,提供发票、费用、银行交易、报表等核心财务管理功能,同时支持多语言和多币种操作。Akaunting以其简洁的用户界面和强大的功能集,成为许多用户管理财务的首选工具。
新增功能亮点
文档显示堆栈优化
3.1.15版本引入了全新的文档显示堆栈机制,这一改进显著提升了用户在处理大量文档时的浏览体验。新堆栈设计采用更高效的渲染方式,使得文档列表的加载速度更快,特别是在包含大量附件或复杂格式的情况下表现尤为突出。
文档项目数学运算支持
本次更新为文档项目添加了数学运算功能,用户现在可以直接在数量字段执行加减乘除等基本运算。例如,当需要调整某个项目的数量时,可以直接输入"10+5"或"20*0.9"这样的表达式,系统会自动计算结果并更新字段值。这一特性大大简化了需要频繁调整数量的场景,如库存管理或批量订单处理。
功能改进与优化
文档导入导出字段更新
开发团队对文档导入导出功能进行了细致优化,更新了相关字段以提供更完整的数据交换能力。现在用户可以在导入导出过程中处理更多类型的文档属性,确保数据迁移的完整性和准确性。这一改进特别适合需要定期与外部系统交换数据的用户。
多语言支持增强
通过集成最新的Crowdin翻译,Akaunting 3.1.15进一步提升了多语言支持的质量和覆盖范围。系统界面和文档现在支持更多语言的准确翻译,为全球用户提供更本地化的使用体验。
关键问题修复
折扣计算逻辑修正
针对用户反馈的折扣计算问题,本版本彻底重构了全局折扣的计算方法。新的计算逻辑更加精确,能够正确处理各种折扣场景,包括百分比折扣、固定金额折扣以及组合折扣等情况,确保财务计算的准确性。
日期筛选器优化
修复了财务起始日期相关的筛选问题,现在日期过滤器能够正确识别和尊重用户设置的财务年度起始日期。这一修复确保了报表和统计数据的时序准确性,特别是在跨年度的财务分析中尤为重要。
文档项目搜索功能修复
解决了文档项目搜索功能在某些情况下被意外禁用的问题。现在用户可以随时使用搜索功能快速定位特定项目,提高了处理大型文档时的效率。
导入路由问题解决
修复了导入功能中存在的路由问题,现在各种类型的导入操作都能正确指向目标处理程序,避免了因路由错误导致的数据处理失败。
年度统计显示修正
针对仪表板中"本年"统计数据显示不正确的问题进行了修复,现在系统能够准确计算和显示当前财政年度的各项财务指标,为用户提供可靠的决策依据。
文档导入费用问题
修正了文档导入过程中项目费用信息处理的问题,现在导入的文档能够正确保留和显示各项费用设置,确保了财务记录的完整性。
Akaunting 3.1.15版本通过这些新增功能、优化改进和问题修复,进一步提升了系统的稳定性、易用性和功能性,为用户的财务管理提供了更加可靠和高效的工具支持。
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