Expensify/App 9.0.82-0版本发布:全面优化用户体验与功能稳定性
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流程。作为一款跨平台应用,它提供了移动端、桌面端和网页端的完整解决方案,帮助用户高效管理日常开支、报销流程和团队费用审批。
核心功能优化
1. 键盘交互与模态框改进
开发团队针对键盘交互进行了多项优化,特别是在BaseModal组件中实现了平滑的键盘处理机制。这一改进显著提升了用户在填写表单和进行数据输入时的体验,避免了键盘弹出时可能出现的界面跳动问题。
2. 费用报告流程增强
在费用报告功能方面,本次更新修复了多个关键问题:
- 修正了Copilot在报告操作中显示不正确的问题
- 解决了费用保持和取消保持操作后页面滚动异常的情况
- 优化了距离费率计算中费用可回收性的验证逻辑
3. 银行账户管理简化
团队移除了"添加个人银行账户"的任务项,这一调整使得用户界面更加简洁,减少了不必要的操作步骤,提升了整体使用效率。
技术架构升级
1. React Native版本迁移
本次更新完成了从React Native 0.75到0.76的重大版本升级。这一技术升级带来了性能改进和新特性支持,为后续功能开发奠定了更坚实的基础。
2. 字体系统优化
引入了全新的Expensify Mono字体,并对代码样式进行了统一更新。这一改变不仅提升了应用的视觉一致性,也增强了代码显示区域的阅读体验。
3. 测试工具集成
新增了ManagerMcTest Beta测试工具,这将帮助开发团队更有效地进行质量控制和功能验证,确保每个版本的稳定性。
用户体验改进
1. 导航与页面管理
实现了多项导航相关的优化:
- 添加了未保存更改时的确认对话框
- 修复了带有exitTo参数时使用无效代码导致的空白屏幕问题
- 改进了高亮项目的回车导航行为
2. 搜索功能稳定性
解决了搜索功能中的崩溃问题,并优化了"自定义搜索"提示的显示逻辑,确保提示不会在创建费用时不恰当地重新出现。
3. 移动端适配
针对高分辨率设备进行了底部安全区域的适配调整,确保界面元素在各种设备上都能正确显示。
企业功能增强
1. 财务系统集成
加强了与财务系统的集成能力:
- 防止在已连接财务系统时重复导入标签
- 更新了NetSuite费用国家列表
- 改进了供应商账单提示文本的布局
2. 企业入职流程
优化了企业用户入职体验:
- 当公司员工超过10人时,会自动重定向到OldDot界面
- 修复了新迁移用户不必要显示欢迎视频的问题
3. 直接Feed凭证管理
实现了对直接Feed凭证过期的处理机制,确保在凭证失效时能够提供适当的用户指导和恢复流程。
性能与稳定性
本次发布包含了多项底层性能优化:
- 升级了RNTL(React Native Testing Library)到最新版本
- 改进了OldDot工作流中的node_modules缓存策略
- 修复了上下文菜单打开时的崩溃问题
- 优化了产品培训上下文的加载状态管理
总结
Expensify/App 9.0.82-0版本是一次全面的质量提升更新,涵盖了从底层技术架构到用户界面交互的多个方面。开发团队不仅修复了大量已知问题,还引入了多项性能优化和用户体验改进,进一步巩固了Expensify作为财务管理领域领先解决方案的地位。特别是React Native版本的升级和键盘交互的优化,为未来的功能扩展奠定了更坚实的技术基础。
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