Expensify/App 9.0.91-0版本发布:功能优化与问题修复
项目简介
Expensify/App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。该应用提供了费用跟踪、报告生成、团队协作等功能,帮助用户高效管理财务事务。作为一款开源项目,Expensify/App持续通过社区贡献进行迭代更新。
版本亮点
用户体验改进
最新9.0.91-0版本对用户界面进行了多处优化,提升了整体使用体验。其中值得注意的改进包括:
-
搜索功能增强:修复了搜索输入框在Fullstory中的显示问题,确保搜索体验更加流畅。同时优化了搜索路由列表的显示逻辑,移除了不必要"最近聊天"标题。
-
报告预览优化:针对差旅报告预览头部进行了修复,使报告展示更加专业和一致。
-
建议模态框定位:修正了建议模态框的错误位置问题,确保弹出窗口能够正确显示。
财务功能完善
本版本对核心财务功能进行了多项改进:
-
每日津贴导入:现在导入每日津贴时能够正确处理以分为单位的费率,提高了财务数据的精确度。
-
责任默认设置:将责任默认设置为公司级别,简化了财务处理流程。
-
折扣横幅逻辑:优化了折扣横幅的显示条件,当用户没有工作区或已将入门聊天存档时,横幅将不再显示。
移动端优化
针对移动设备用户,本版本包含多项改进:
-
React Native组件更新:升级了react-native-live-markdown组件至0.1.221版本,提升了富文本编辑体验。
-
Android构建优化:对Android构建时间进行了比较分析,为后续性能优化奠定了基础。
-
iOS应用打包:提供了新的IPA文件下载,方便iOS用户测试最新版本。
技术细节
代码质量提升
开发团队在本版本中修复了多处代码问题:
- 移除了不必要的React导入,优化了组件结构。
- 修复了群组确认页面的控制台错误,提高了应用稳定性。
- 修正了金钱请求报告的工具函数使用,确保逻辑正确性。
文档更新
项目文档在本版本中获得了全面更新:
- 移除了2023年推荐计划的相关内容,保持文档时效性。
- 更新了与QuickBooks桌面版连接的指南,提供了更清晰的说明。
- 完善了混合应用开发文档,增加了更多细节并重新组织了结构。
问题修复
本版本重点解决了以下用户反馈的问题:
- 修复了在多选类别/标签时意外跳转至对话页面的问题。
- 解决了在无效房间链接打开时显示404页面的问题。
- 修正了审批按钮在待处理费用中的灰色显示问题。
- 修复了文章项目符号间距不一致的问题。
总结
Expensify/App 9.0.91-0版本通过一系列功能优化和问题修复,进一步提升了应用的稳定性和用户体验。开发团队持续关注用户反馈,不断改进核心功能,同时保持代码质量和文档的及时更新。这些改进使Expensify/App在财务管理领域继续保持竞争力,为用户提供更加高效、可靠的服务。
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