Expensify/App 9.1.4-4版本发布:支付优化与用户体验提升
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费用报告流程。本次发布的9.1.4-4版本带来了一系列重要更新,主要集中在支付系统优化、用户界面改进和性能提升等方面。
核心功能改进
交易金额与货币更新逻辑优化
开发团队修复了当交易金额或货币类型更新时,总额计算逻辑存在的问题。这一改进确保了在任何交易属性变更时,系统都能准确重新计算总金额,避免了财务数据不一致的情况。
支付方式管理升级
应用现在迁移到了新的私有支付方法存储系统(private_lastPaymentMethod),这一底层架构的改进为未来的支付功能扩展奠定了基础,同时提高了支付信息处理的安全性和可靠性。
费用报告筛选功能增强
用户现在可以在费用报告页面筛选已关闭的信用卡记录,这一改进使得财务管理人员能够更全面地查看历史支付数据,方便进行财务审计和对账工作。
用户体验优化
键盘输入问题修复
针对移动设备用户,修复了输入框可能被键盘遮挡的问题,这一改进显著提升了在移动设备上填写表单的体验。
两步验证流程改进
对两步验证流程进行了多项优化,包括:
- 修复了验证步骤中的返回功能
- 改进了成功页面后的导航逻辑
- 加强了恢复代码的安全要求,现在用户必须复制恢复代码才能继续操作
导航逻辑调整
优化了分割视图导航器的行为,现在在某些场景下会推送不带侧边栏屏幕的分割导航器,使页面跳转更加符合用户预期。
性能与稳定性提升
推送通知优化
现在支持GZIP压缩的JSON字符串作为推送通知的载荷,这一改进减少了数据传输量,提高了通知的传输效率和可靠性。
第三方卡片订阅管理
允许NewDot收集客户添加一个第三方卡片订阅源,为企业用户提供了更灵活的财务数据集成选项。
报告标记状态修复
修复了工作区中报告组件未正确显示已读标记的问题,确保用户能够准确识别哪些报告内容已经查看过。
测试覆盖范围扩展
开发团队在本版本中增加了多项测试用例,包括:
- 对报告分组功能的全面测试
- 优化了筛选和排序选项的测试覆盖范围
- 增加了更全面的边界条件测试
这些测试改进有助于确保应用的稳定性和可靠性,特别是在处理复杂财务数据时。
多语言支持
对西班牙语翻译进行了优化,提高了非英语用户的使用体验。这一改进体现了Expensify对全球化用户群体的重视。
总结
Expensify/App 9.1.4-4版本通过一系列精细化的改进,进一步提升了这款财务管理应用的核心功能和用户体验。从支付系统的底层优化到界面交互的细节调整,每个改进都旨在为用户提供更流畅、更可靠的财务管理工具。特别是对移动设备用户体验的关注和对安全验证流程的加强,显示了开发团队对产品质量和用户需求的持续关注。
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