Expensify/App 中扫描收据金额校验异常的分析与解决
问题背景
在Expensify/App的9.1.54-0版本中,用户在使用扫描收据功能时遇到了一个金额校验异常。具体表现为:当用户扫描收据后尝试拆分费用时,系统错误地显示"金额比扫描收据金额大2,608.33%"的警告信息,而实际上拆分后的金额并未超过原始扫描金额。
技术分析
这个问题的核心在于金额校验逻辑出现了异常。从技术角度来看,可能涉及以下几个关键点:
-
金额计算逻辑:系统在拆分费用时,未能正确计算拆分后的各部分金额与原始扫描金额的关系。
-
百分比计算错误:系统显示的2,608.33%这个异常高的百分比值表明,金额比较的计算公式可能存在问题,可能是分母设置错误或计算单位不一致。
-
状态管理:在拆分操作过程中,可能没有正确维护和传递原始扫描金额的数据,导致校验时使用了错误的基础值。
-
边界条件处理:系统可能没有充分考虑到各种拆分场景下的边界条件,特别是当拆分比例较小时的计算精度问题。
问题重现与验证
开发团队通过以下步骤重现了该问题:
- 在工作区聊天中创建扫描费用
- 完成扫描后尝试拆分费用
- 保存拆分并查看费用报告
测试结果表明,在v9.1.54-0版本中该问题确实存在,但在后续版本(v9.1.54-2及更高版本)中,由于相关功能被回滚,问题不再出现。
解决方案
开发团队采取了以下措施解决该问题:
-
功能回滚:首先回滚了引入该问题的相关代码变更,暂时移除了拆分功能,确保用户不会遇到错误的金额校验警告。
-
根本原因分析:深入检查了金额校验逻辑的实现细节,特别是百分比计算部分,确保计算基于正确的基准值。
-
全面测试:在修复后进行了全面的回归测试,验证各种拆分场景下的金额计算准确性。
经验总结
这个案例为我们提供了几个重要的经验教训:
-
金额计算的严谨性:涉及金融计算的功能必须格外谨慎,任何小的计算错误都可能导致严重的用户体验问题。
-
测试覆盖的重要性:需要针对各种可能的拆分比例进行充分测试,特别是边界条件。
-
渐进式发布策略:对于涉及核心财务功能的变更,采用渐进式发布和密切监控可以及早发现问题。
-
错误信息的友好性:系统错误信息应该清晰准确,避免显示令人困惑的百分比数值。
通过这次问题的解决,Expensify/App的金额校验机制得到了进一步完善,为后续类似功能的开发提供了宝贵经验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00