Expensify/App 9.1.9-0版本发布:移动端优化与功能增强
项目概述
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。作为一款跨平台应用,它提供了iOS、Android和Web版本,帮助用户高效管理费用、跟踪支出并处理报销事务。本次发布的9.1.9-0版本主要针对移动端体验进行了多项优化和问题修复。
核心改进与修复
报表功能优化
本次更新对报表功能进行了多项改进。修复了iOS设备上报表选择模式持久化的问题,确保用户在分类页面和报表页面之间的切换更加流畅。同时解决了单笔费用报表无法标记为未读的问题,提升了用户在处理个别交易时的体验。
报表审批功能新增了成功音效反馈,为用户操作提供了更直观的确认方式。对于已支付但等待银行账户确认的费用,现在会显示"取消支付"而非"取消批准"按钮,使操作意图更加明确。
工作区管理增强
工作区管理功能在本版本中获得了多项改进。修复了工作区降级或升级页面重新加载时的背景变化问题,提升了视觉一致性。对于西班牙语用户,现在新建工作区名称会正确显示为西班牙语而非英语。
工作流程禁用逻辑也进行了优化,当用户禁用工作流时,系统会自动将自动报告设置恢复为"立即"状态,确保功能逻辑的一致性。
多语言与本地化改进
国际化支持方面,修复了西班牙语环境下提交频率更改为每月时系统消息未翻译的问题。同时优化了工作区名称在多语言环境下的显示问题,确保非英语用户获得一致的体验。
用户界面优化
PDF文件显示效果得到改善,修复了阴影显示问题。对于书签图标缺失的情况进行了修复,确保界面元素的完整性。同时优化了报表打开时的闪烁效果,使过渡更加平滑。
在搜索功能方面,解决了搜索页面无法通过向右滑动关闭的问题,提升了移动端导航体验。同时修复了重命名搜索页面保存后意外重新打开的问题。
离线功能增强
针对网络连接不稳定的情况,本版本进行了多项优化。修复了创建群组聊天时离线状态下应用可能崩溃的问题。同时优化了网络状态变化时的界面响应,确保"下一步"按钮在网络状态变化时保持位置稳定。
技术架构改进
在底层架构方面,本次更新引入了侧边栏面板(Side Pane)的初步实现,为未来更丰富的导航功能奠定了基础。同时优化了混合应用构建脚本,改进了工作流程。
对于性能敏感的场景,移除了不必要的元素渲染,如在不需展开时不再渲染展开图标,减少了不必要的界面重绘。同时优化了线程导航逻辑,确保用户点击标题后能正确返回线程页面。
总结
Expensify/App 9.1.9-0版本通过一系列细致的优化和修复,显著提升了移动端用户体验。从报表处理到工作区管理,从多语言支持到离线功能,每个改进都体现了开发团队对细节的关注和对用户需求的深入理解。这些变化不仅解决了已知问题,也为应用的未来发展奠定了更坚实的基础。
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