Expensify/App 9.1.16-4版本发布:移动端优化与功能增强
Expensify是一款广受欢迎的费用管理和报销应用程序,旨在简化个人和企业的财务流程。该应用提供了从费用跟踪、报告生成到报销审批的全套解决方案,支持多平台使用。本次发布的9.1.16-4版本带来了一系列重要的功能改进和问题修复,主要集中在移动端体验优化、支付流程改进和界面交互增强等方面。
核心功能改进
1. 移动端分享功能实现
开发团队为Android和iOS平台实现了原生的分享扩展功能。这一改进允许用户直接从其他应用分享内容到Expensify,大大提升了移动端的工作效率。虽然该功能在本次发布中经历了回滚操作,但这一技术尝试为未来的功能开发奠定了基础。
2. 离线报告静态骨架加载器
针对网络连接不稳定的情况,团队引入了静态骨架加载器技术。当用户处于离线状态或网络不佳时,应用会显示精心设计的骨架屏,而不是空白页面或加载图标。这种设计不仅提升了用户体验,还减少了因网络问题导致的用户焦虑。
3. 支付流程优化
支付流程进行了全面重构,特别是在用户点击"支付"按钮后的处理逻辑。新版本优化了支付确认、状态更新和结果反馈的全流程,使整个支付体验更加流畅和可靠。
用户体验提升
1. 电子收据视觉改进
电子收据(eReceipt)的视觉设计在新版本中得到了显著提升。团队重新设计了布局、字体和颜色方案,使收据信息更加清晰易读,同时保持了专业的商务风格。
2. 默认输出货币设置
新增了默认输出货币设置功能,用户现在可以在设置中指定偏好的货币类型。这一功能特别适合经常处理跨国交易的用户,减少了每次手动选择货币的麻烦。
3. 帮助按钮布局调整
重新设计了帮助按钮的间距和对齐方式,使其在界面中的位置更加合理,点击区域更加明确,提升了整体界面的美观性和易用性。
技术架构改进
1. React Native升级准备
开发团队已经开始为升级到React Native 77版本做准备。虽然这项工作仍在进行中,但已经为未来的性能提升和新特性支持奠定了基础。
2. 混合应用URL处理优化
改进了混合应用中初始URL的处理逻辑,通过引入InitialURLContextProvider来统一管理初始URL导航,解决了部分场景下的路由问题。
3. 侧边栏行为优化
对侧边栏(Side Pane)在各种模态框和导航操作中的行为进行了全面优化,使其在不同场景下的显示和隐藏更加符合用户预期。
问题修复
本次发布修复了多个影响用户体验的问题,包括但不限于:
- 修复了更改功能设置的相关问题,提升了策略切换的稳定性
- 解决了费用字段在不启用距离费用跟踪时仍显示的错误
- 修正了钱包国家搜索中某些字母跳转不正确的问题
- 修复了报告列表中货币过滤器显示不正确货币的问题
- 解决了工作区切换后内容不重置的问题
总结
Expensify/App 9.1.16-4版本通过一系列精心设计的改进和修复,进一步提升了应用的稳定性、功能性和用户体验。从核心的支付流程优化到细节的界面调整,再到技术架构的改进,这个版本体现了开发团队对产品质量的不懈追求。特别是对移动端体验的关注,显示了Expensify在跨平台一致性方面的持续投入。这些改进将为用户带来更加流畅、可靠的财务管理体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06