Spliit 1.16.0版本发布:费用分摊应用的全面升级
Spliit是一款专注于团队费用分摊的开源应用,它帮助朋友、室友或团队成员轻松记录和分摊共同支出。通过简洁的界面和强大的功能,用户可以创建群组、添加支出、自动计算分摊金额,并生成清晰的结算报表。
核心功能改进
1. 费用金额验证增强
新版本修复了创建支出时的金额验证问题,确保用户输入的数字格式正确,避免因无效金额导致的计算错误。这一改进提升了数据输入的可靠性,为用户提供了更稳定的使用体验。
2. CSV导出功能
1.16.0版本新增了将支出数据导出为CSV格式的功能,方便用户进行离线分析和存档。导出的数据会按照支出日期排序,确保时间序列的连贯性。这项功能特别适合需要定期对支出进行详细分析的用户群体。
3. 多语言支持扩展
本次更新包含了多项语言改进:
- 新增土耳其语(tr-TR)翻译
- 意大利语翻译优化
- 德语拼写修正
- 新增巴西葡萄牙语(pt-BR)支持
- 波兰语翻译修正
- 新增荷兰语翻译 这些改进使Spliit能够更好地服务于全球用户,体现了项目的国际化发展方向。
新增实用功能
1. 定期支出功能
1.16.0版本引入了定期支出功能,用户可以设置周期性重复的支出项目(如房租、水电费等)。系统会自动按设定的周期生成新的支出记录,大大简化了固定支出的管理流程。
2. 新增支出类别
根据用户需求,新增了"生活/捐赠"支出类别,丰富了应用的分类体系,使支出记录更加细致准确。
3. 支出份额计算优化
改进了支出份额的计算方式,现在可以更精确地显示每笔支出中各参与者的分摊金额,解决了之前版本中可能出现的计算偏差问题。
技术架构优化
1. Docker容器改进
- 使用exec替换shell进程,优化了容器启动流程
- 改进了docker-compose配置,支持容器构建和使用内部网络 这些改进提升了应用的部署效率和运行稳定性。
2. PWA增强
新增了多种尺寸的透明PNG图标,改善了渐进式Web应用(PWA)在不同设备上的显示效果,提升了移动端用户体验。
国际化与本地化
本次更新特别注重国际化支持,不仅新增了多种语言,还修复了多个语言包中的翻译问题,包括:
- 修正了多个语言中"Expenses.Groups.lastYear"和"Activity.Groups.lastYear"键名的拼写错误
- 移除了不必要的插值美元符号
- 优化了德语翻译中的多处细节
这些改进使得Spliit能够为全球用户提供更准确、更地道的使用体验。
总结
Spliit 1.16.0版本通过新增定期支出、CSV导出等实用功能,优化多语言支持,改进技术架构,为用户带来了更全面、更稳定的费用分摊解决方案。这些更新不仅提升了核心功能的可靠性,也扩展了应用的使用场景,使其能够更好地满足不同用户群体的需求。开源社区的积极参与也为项目带来了丰富的语言支持和功能改进,展现了Spliit作为开源项目的活力和潜力。
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