Expensify/App 9.1.15-0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告、发票管理和报销流程。作为一款跨平台应用,它提供了Web、移动端(iOS/Android)和桌面端的完整解决方案。本次发布的9.1.15-0版本带来了多项重要改进,特别关注于用户体验优化、功能增强和错误修复。
核心功能改进
1. 两步验证体验升级
开发团队对两步验证(2FA)流程进行了重大改进,将原本的模态对话框升级为全屏界面。这种改变不仅提升了视觉一致性,还减少了用户操作时的干扰,使安全验证过程更加专注和流畅。对于企业用户来说,这一改进尤为重要,因为他们在处理敏感财务数据时需要更高的安全保障。
2. 费用报告视图优化
新版本引入了TransactionPreview组件,这是对费用报告视图的一次重要重构。该组件提供了更清晰、更直观的费用条目展示方式,使用户能够快速浏览和理解报告内容。这一改进特别适合需要频繁审核大量费用报告的企业财务人员。
3. 时间显示与同步改进
团队修复了多个与时间显示相关的问题,包括:
- 信用卡详情页面的更新时间显示不准确的问题
- 每月最后一天设置的定期提交费用显示异常的问题
- 报告导出CSV后的系统消息显示问题
这些修复确保了应用内所有时间相关信息的准确性和一致性,对于依赖精确时间记录的财务工作至关重要。
用户体验优化
1. 移动端体验提升
针对移动端用户,团队修复了多个影响体验的问题:
- Android设备上点击最近列表项时出现的空白页面问题
- 移动Web版中类似的导航问题
- 状态栏右侧的padding问题
这些修复显著提升了移动端用户的操作流畅度和界面一致性。
2. 加载状态优化
通过调整骨架屏动画速度,团队改善了应用加载状态的感知体验。较慢的动画速度让用户感觉加载过程更加平稳,减少了等待时的焦虑感。
3. 上下文菜单重构
对showContextMenu函数进行了重构,使其更加模块化和可维护。这一底层改进为未来的上下文菜单功能扩展打下了坚实基础。
财务流程改进
1. 费用跟踪与管理
- 修复了无法通过上下文菜单删除跟踪费用的问题
- 修复了费用意外创建在任务报告中的问题
- 改进了buildOptimisticMoneyRequestEntities函数的参数处理方式
这些改进使费用跟踪和管理更加可靠和高效。
2. 策略与权限管理
- 更新了策略创建流程,默认启用公司卡功能
- 移除了控制访问功能
- 实现了OpenPolicyMemberProfilePage API调用
- 修复了从存档的工作区支付发票的问题
这些变更简化了企业管理员的工作流程,同时增强了系统的安全性。
技术架构改进
1. 跨平台一致性
- 修复了浏览器历史记录中的重复问题
- 改进了工作区删除流程
- 更新了react-native-pager-view版本并移除了相关补丁
这些改进提升了应用在不同平台上的行为一致性。
2. 边缘情况处理
- 修复了引用地址中的引号转义问题
- 处理了未定义报告操作的排序问题
- 修复了移除第二个联系人后RBR出现在个人资料中的问题
这些修复增强了应用处理各种边缘情况的能力,提高了整体稳定性。
视觉与交互细节
1. 界面元素调整
- 修复了费用报告总分隔线在标记第一条消息为未读后消失的问题
- 修复了Plaid钱包动画和继续按钮的错位问题
- 优化了工具提示动画效果
2. 安全区域处理
改进了底部安全区域处理逻辑,确保在不使用新的边缘到边缘标志时仍能保持传统的处理方式,这为不同设备和平台提供了更好的兼容性。
总结
Expensify/App 9.1.15-0版本是一次全面的质量提升更新,涵盖了从核心财务功能到用户体验细节的多个方面。开发团队不仅修复了大量影响用户体验的问题,还对多个关键功能进行了优化和重构。这些改进使应用更加稳定、可靠,同时提升了用户在处理财务事务时的效率和舒适度。对于企业用户而言,新版本在策略管理、费用跟踪和安全验证方面的改进尤为有价值。
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