Expensify/App 9.0.89-0版本发布:性能优化与用户体验提升
项目简介
Expensify是一款流行的费用管理和报销应用程序,旨在帮助企业简化财务流程。作为一款跨平台应用,Expensify提供了从移动端到桌面端的完整解决方案,支持费用跟踪、报告生成、审批流程等功能。
核心改进
性能优化
本次发布在性能方面进行了多项重要改进:
-
报告加载优化:通过创建报告到交易的映射关系,显著提升了报告加载速度。这种优化特别适用于包含大量交易记录的工作区场景。
-
内存管理改进:优化了过滤逻辑,将原本的数组结构改为映射结构,减少了内存占用和计算复杂度。
-
渲染性能提升:对FloatingMessageCounter组件添加了useCallback钩子,避免了不必要的重新渲染,提高了聊天界面的流畅度。
用户体验增强
-
费用流程改进:对费用创建和提交流程进行了多项调整,使整个操作更加直观和高效。
-
地图功能完善:修复了地图中心按钮缺失的问题,并增加了加载状态提示,提升了位置相关功能的用户体验。
-
收据显示一致性:确保在费用预览和费用查看页面中收据图片的显示方式保持一致。
-
搜索体验优化:改进了标签搜索功能,修复了包含冒号的标签显示问题。
功能修复与稳定性
-
工作区管理:修复了工作区切换和删除过程中的多个问题,包括删除失败后的交互问题和切换时的显示问题。
-
交易管理:解决了合并交易中删除收据按钮不可见的问题,并优化了交易删除权限逻辑。
-
表单交互:修复了金额和货币字段在错误清除后未能正确恢复的问题。
-
离线体验:改进了离线状态下返回聊天时的父级对话高亮显示。
技术架构改进
-
动画系统迁移:完成了最后几个组件向Reanimated动画库的迁移工作,为应用带来了更流畅的动画效果。
-
Pusher连接稳定性:实现了在出现1006错误时手动重新连接Pusher的机制,提高了实时通信的可靠性。
-
文件处理优化:改进了FileObject在Onyx中的序列化处理,提升了文件上传和管理的稳定性。
-
GTM集成增强:在GTM事件中添加了用户ID信息,为分析提供了更完整的数据支持。
国际化与本地化
-
银行账户流程:实现了国际银行账户流程,支持更多国家和地区的银行账户管理。
-
地址选项动态翻译:确保地址选项能够根据用户语言设置动态翻译,提升了全球用户的体验。
安全改进
-
双因素认证:修复了刷新页面时短暂显示错误信息的问题,提高了2FA流程的稳定性。
-
会话管理:优化了自动聚焦逻辑,移除了移动端不必要的手动聚焦操作。
开发者体验
-
代码规范:调整了私有变量前缀的lint规则,提高了代码一致性。
-
测试覆盖:为费用创建功能添加了单元测试,提高了代码质量。
-
构建流程:解决了桌面版本构建中的公证问题,确保了发布流程的顺畅。
总结
Expensify/App 9.0.89-0版本在性能、用户体验和稳定性方面都做出了显著改进。从底层架构优化到界面细节调整,这次发布体现了团队对产品质量的持续追求。特别是性能方面的多项优化,将直接提升用户在日常使用中的流畅度体验。同时,国际银行账户流程的实现也标志着产品在全球化的道路上又迈出了重要一步。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00