Expensify/App 9.0.89-8版本发布:性能优化与用户体验提升
Expensify是一款广受欢迎的费用管理和报销应用,它帮助个人和企业简化费用跟踪、报销流程和财务管理。作为一款跨平台应用,Expensify支持Web、iOS和Android等多个平台,为用户提供便捷的费用管理体验。
在最新发布的9.0.89-8版本中,开发团队聚焦于性能优化、用户体验改进和功能增强三个方面,共合并了超过60个Pull Requests。这些改进涵盖了从底层架构优化到界面细节调整的各个方面,体现了团队对产品质量的持续追求。
性能优化亮点
本次版本在性能方面进行了多项重要改进。开发团队优化了报告和交易数据的处理方式,通过创建报告到交易的映射关系来提升性能表现。同时,改进了工作空间相关列表的加载速度,通过过滤工作空间报告来优化左侧导航栏的加载性能。
在内存管理方面,团队减少了不必要的重新渲染,特别是在FloatingMessageCounter组件中增加了useCallback的使用。此外,还优化了登录排除列表的数据结构,将数组改为映射(Map)结构,提升了查找效率。
用户体验改进
新版本对用户界面进行了多处细致调整。修复了多个界面重叠问题,如"30天免费试用剩余"提示与界面元素的冲突,以及卡片说明页面"下一步"按钮的显示问题。同时,改进了收据图片在不同视图中的对齐一致性,提升了视觉体验。
在交互流程方面,修复了删除工作空间后错误显示的问题,优化了货币列表的关闭操作,现在可以通过设备返回按钮正确关闭。此外,还改进了搜索功能,修复了删除搜索条件后结果不更新的问题。
功能增强与修复
本次发布包含多项功能增强。在国际银行账户流程方面进行了改进,提升了跨国财务操作的便利性。同时,优化了费用创建流程,增加了相关单元测试确保稳定性。
在工具提示(Tooltip)功能上,新增了onTooltipPress回调支持,并更新了教育性工具提示的样式,使其能够根据条件应用指针事件。此外,还修复了多个功能性问题,如断开会计集成后报告字段未禁用的问题,以及合并交易中"删除收据"按钮不显示的问题。
技术架构改进
在技术架构层面,团队继续推进向Reanimated的迁移工作,将最后几个组件转换为使用这一高性能动画库。同时,完成了AuthScreens模块向useOnyx的迁移,进一步统一了状态管理方式。
在构建系统方面,修复了桌面版本构建时的公证问题,确保了Mac应用的顺利分发。此外,还优化了Android广播接收器的注册过程,补充了缺失的参数。
文档与国际化
本次更新还包含了对文档的改进,新增了关于工具提示使用的详细说明文档,更新了费用类别创建的指南,增加了CSV上传的相关内容。在国际化方面,修复了地址选项的动态翻译问题,确保不同语言环境下界面显示的一致性。
Expensify/App 9.0.89-8版本的发布体现了团队对产品质量的持续投入,通过性能优化提升应用响应速度,通过用户体验改进使交互更加顺畅,通过功能增强满足用户多样化的需求。这些改进共同为用户提供了更加稳定、高效的费用管理体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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