Expensify/App 9.1.46-12版本发布:移动端优化与功能修复
Expensify是一款广受欢迎的财务管理应用,专注于简化个人和企业的报销流程。最新发布的9.1.46-12版本带来了一系列重要的功能改进和问题修复,特别是在移动端体验和报告管理方面有了显著提升。
移动端体验优化
本次更新对移动端用户界面进行了多项改进。修复了移动设备上清除选择时的问题,确保在移动选择模式下操作更加流畅。同时解决了点击个人费用聊天时可能出现的无限加载问题,提升了用户体验的连贯性。
针对Android平台,开发团队特别优化了附件选择器的显示问题,确保用户能够正常选择并上传文件。此外,还修复了iOS混合应用中私有域名入职检查不显示的问题,使新用户能够顺利完成设置流程。
报告管理功能增强
在报告管理方面,新版本修复了多个关键问题。解决了工作空间功能多选时的异常行为,确保管理员能够正确配置各项功能。同时修复了当清空字段时必填字段错误提示不显示的问题,提高了表单验证的准确性。
对于费用报告视图,开发团队优化了删除操作的处理逻辑,解决了删除倒数第二个费用时可能出现的问题。此外,还改进了报告预览的筛选机制,确保只显示应该展示的报告预览内容。
性能与稳定性提升
本次更新包含多项性能优化措施。开发团队优化了报告视图以防止长时间使用后可能出现的内存泄漏问题,提升了应用的稳定性。同时改进了搜索功能,减少了冗余的API调用,提高了响应速度。
在数据库层面,项目迁移到了react-native-nitro-sqlite,这一改进预计将带来更好的数据管理性能和可靠性。此外,还更新了工作流以验证基于内容哈希的补丁差异,提高了开发流程的质量控制。
用户界面改进
新版本对用户界面进行了多处细节优化。修复了左侧导航栏工具提示不显示的问题,使功能提示更加完整。同时改进了帮助模态窗口的显示逻辑,确保在不同窗口尺寸下都能正确呈现。
在桌面导航方面,新增了工作空间标签页,并更新了导航栏样式,为用户提供更直观的操作体验。此外,还优化了"下载为PDF"功能的入口位置,将其移至"更多"按钮下,使界面更加整洁。
支付与结算功能
在支付相关功能方面,修复了客户端超额违规计算不考虑外汇汇率的问题,使费用计算更加准确。同时改进了钱包余额徽章的显示逻辑,确保只有启用了Expensify钱包的用户才会看到相关提示。
对于管理员用户,新增了显示结算账户的功能,即使管理员不拥有银行账户也能查看相关信息,提高了财务管理的透明度。
总结
Expensify/App 9.1.46-12版本通过一系列细致的优化和修复,显著提升了应用的稳定性、性能和用户体验。从移动端操作到报告管理,从界面改进到支付功能,这些更新共同构成了一个更加可靠、高效的财务管理工具,为用户带来更流畅的使用体验。
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