Expensify/App 9.1.13-5版本发布:移动端优化与功能增强
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。该应用提供了从费用跟踪、报告生成到支付处理的全套解决方案。最新发布的9.1.13-5版本带来了一系列重要的改进和功能增强,特别是在移动端体验和核心功能稳定性方面。
移动端性能与用户体验优化
本次更新在移动端性能方面做出了显著改进。开发团队特别关注了Android设备的导航栏处理,通过启用半透明导航栏和优化底部安全区域处理逻辑,显著提升了应用在Android设备上的视觉体验和操作流畅度。
键盘处理机制也得到了优化,现在在搜索导航时会自动隐藏键盘,避免了键盘遮挡内容的问题。同时修复了钱包动画和继续按钮错位显示的问题,使界面元素布局更加合理。
核心功能稳定性提升
在费用管理方面,修复了多个关键问题:
- 修复了追踪费用后自动滚动到底部的功能
- 解决了删除费用后保留操作仍然显示的问题
- 修正了分割费用详情中距离收据不显示的问题
- 改进了GBR(Global Bill Reimbursement)在保留费用中的显示逻辑
报告系统也获得了多项改进,包括修复了快速切换聊天时可能打开多个聊天窗口的问题,以及解决了刷新后工作区切换页面中选定工作区被移除的问题。
安全性与账户管理增强
安全方面,本次更新包含了对个人详情中重复登录记录的过滤处理,以及修复了Copilot在被移除访问权限后仍能编辑个人资料的问题。账户关闭对话框现在也支持FullStory录制,便于后续分析。
新功能与界面改进
本次更新引入了多项新功能:
- 新增了"何时导出"选择器,用于Quickbooks Online的自动同步功能
- 实现了ChangeReportPolicy功能
- 在请求确认页面添加了拖放功能
- 帮助面板增加了主要内容路由的初始内容
界面方面,修复了帮助页面在Android设备上的返回按钮问题,优化了工具提示的显示逻辑(仅在帮助面板隐藏时显示),并改进了报告创建流程的用户界面。
技术架构改进
在技术架构层面,开发团队添加了HybridApp turbomodule,这是对应用架构的重要升级。同时,对事务参数进行了重构,引入了BaseTransactionParams,提高了代码的可维护性和扩展性。
多语言与地区适配
本次更新还包含了对银行要求的表单条款的更新,确保符合不同地区的合规要求。同时修复了电话号码被列入黑名单时的消息翻译问题,提升了国际化支持。
这个版本展示了Expensify团队对产品质量和用户体验的持续关注,通过解决一系列实际问题并引入实用新功能,进一步巩固了其作为领先财务管理应用的地位。特别是对移动端体验的优化,将使广大用户在日常费用管理中获得更加流畅和高效的使用体验。
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