Expensify/App 9.1.12-7版本发布:全面优化用户体验与功能增强
项目简介
Expensify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费用报告、报销流程以及账单支付等财务操作。作为一款跨平台应用,Expensify提供了Web、移动端和桌面端的多平台支持,帮助用户随时随地管理财务事务。
核心功能改进
1. 费用报告功能增强
本次更新对费用报告功能进行了多项优化。修复了绿色圆点在LHN(左侧导航栏)中消失的问题,确保用户能够清晰识别未处理报告。同时优化了报告导出功能,新增了PDF导出选项,为用户提供了更多格式选择。在报告审批流程中,修复了自我审批的问题,防止用户意外审批自己的报告。
2. 视频附件处理改进
针对视频附件功能进行了重要修复,解决了iOS设备上不支持的视频格式处理问题。现在当用户尝试上传或播放不兼容的视频格式时,系统能够正确识别并处理。此外还修复了视频全屏播放后Android设备上出现的空白模态框问题,提升了视频观看体验。
3. 搜索功能优化
搜索体验得到显著提升,修复了搜索栏从右向左滑动的问题,使动画更加流畅自然。同时解决了保存的搜索被删除后当前打开的搜索会被重置的问题,保持了用户的操作连续性。对于金额搜索,现在会自动弹出数字键盘,提高了输入效率。
用户体验提升
1. 界面交互改进
本次更新对多个界面元素进行了优化。修复了工具提示在完全显示前闪烁的问题,使提示信息更加稳定。调整了旅行视图详情按钮的颜色,使其更符合整体设计语言。同时优化了加载状态的感知,让用户等待过程更加自然。
2. 键盘与导航优化
针对移动设备特别优化了键盘交互体验。修复了键盘在打开"标记为冒犯性"页面时保持打开状态的问题。在导航到聊天页面前会自动关闭键盘,避免了界面遮挡。此外还改进了返回按钮的处理逻辑,确保导航路径正确。
3. 离线状态处理
增强了应用在离线状态下的表现。修复了钱包页面在加载时点击"添加支付方式"会打开错误页面的问题。优化了集成页面在离线状态下更新QBO字段时的反馈机制,确保用户了解操作状态。
技术架构优化
1. 状态管理改进
对应用的状态管理进行了多项优化。修复了工作区所有者被乐观移除的问题,即使API调用失败也能保持状态一致。优化了标签审批者的选择状态,确保页面能够正确重新渲染。
2. 混合应用支持
改进了混合应用的文档和支持,使开发者能够更轻松地构建和部署混合版本。同时优化了桌面更新的安装流程,确保用户能够获取最新版本。
3. 性能优化
通过多项措施提升了应用性能。优化了报告列表的滚动事件处理,防止阻塞。改进了金额和支付按钮的重新加载逻辑,减少了不必要的渲染。同时修复了视频附件重新加载时的错误问题。
安全与稳定性
1. 双因素认证增强
修复了在Xero连接活跃时无法启用双因素认证的问题,提高了账户安全性。同时优化了双因素确认页面的UI,修复了显示问题。
2. 错误处理改进
增强了错误处理机制,防止未使用的乐观错误影响用户体验。修复了公司卡片页面的无限加载问题,提高了应用稳定性。
3. 依赖项更新
更新了多个关键依赖项,包括electron-updater和electron本身,以获取最新的安全补丁和功能改进。
总结
Expensify/App 9.1.12-7版本通过一系列功能增强、用户体验优化和技术改进,进一步提升了这款财务管理应用的整体质量。从核心的费用报告功能到细节的界面交互,再到底层的技术架构,本次更新都体现了开发团队对产品质量和用户体验的持续关注。这些改进将帮助用户更高效、更愉快地管理日常财务事务。
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