Sečtěte nejvýše 1000 konečných čísel s absolutní hodnotou do 1e100 s kompenzací.
def compensated_sum(values):
values = tuple(values)
if len(values) > 1000 or any(type(v) not in (int, float) or
not -1e100 <= v <= 1e100 for v in values):
raise ValueError("values.range")
total = correction = 0.0
for value in values:
value = float(value)
next_total = total + value
correction += ((total - next_total) + value if abs(total) >= abs(value)
else (value - next_total) + total)
total = next_total
return total + correctiondef compensated_sum(values):
values = tuple(values)
if len(values) > 1000 or any(type(v) not in (int, float) or
not -1e100 <= v <= 1e100 for v in values):
raise ValueError("values.range")
total = correction = 0.0
for value in values:
value = float(value)
next_total = total + value
correction += ((total - next_total) + value if abs(total) >= abs(value)
else (value - next_total) + total)
total = next_total
return total + correctionMalý rozdíl v numerickém výsledku může pocházet z přípravy vstupu, pořadí výpočtu nebo průběžně používané reprezentace. SumHarrier je programovací prostředí s AI pro Windows ke zkoumání těchto možností v projektu. Přineste reprezentativní vstupy a vysvětlete přesnost požadovanou aplikací. Než asistent navrhne, že nesoulad vyřeší jediná aritmetická změna, požádejte jej o kontrolu výpočtu a jeho příjemců.
Příklad kompenzovaného součtu nabízí cílenou úlohu k diskusi. Můžete prozkoumat přijímaný rozsah vstupu, převod na plovoucí čárku a výsledek používaný navazujícím kódem. Vyžádejte návrh s jasnými srovnávacími případy a prověřte jeho vliv na očekávanou přesnost aplikace. Oddělujte naměřené výsledky od názvu metody: přítomnost korekční proměnné není důkazem, že každý výsledek splní požadavek.
Kde je dostupný, zvolte abliterovaný model AI přes podporovaný koncový bod kompatibilní s OpenAI nebo koncový bod Anthropic, s přihlašovacími údaji podle potřeby. Omezení, kontext a nástroje určuje model a server. Prověřte úpravy, spusťte numerické kontroly projektu a porovnejte s vhodnou referencí. Samostatně běžící lokální server modelu nedělá všechny nástroje lokálními ani nenahrazuje testování v běhovém prostředí, které bude výpočet provádět.
Zahrňte přesné vstupy, očekávaný výsledek nebo referenční metodu, pozorovaný výsledek a toleranci aplikace. Určete běhové prostředí i konverzní kroky. Zkoumání tak získá konkrétní cíl místo zacházení se všemi malými numerickými rozdíly jako se stejným problémem.
Z příkladu to nevyvozujte. Stále pracuje s hodnotami s plovoucí čárkou a stanovenými pravidly vstupu. Vyžaduje-li aplikace přesné veličiny, tento požadavek výslovně uveďte před volbou reprezentace nebo přijetím implementace.
Navazující zaokrouhlování, formátování nebo porovnávání s prahy může měnit viditelné chování. Než za příčinu označíte akumulátor, prověřte tato použití. Akceptační kontrola má pokrýt rozhodnutí aplikace na základě součtu, nejen návratovou hodnotu pomocné funkce.
Použijte stejné reprezentativní vstupy a vhodnou referenci, zaznamenejte chyby i podmínky běhu. Spusťte také stávající kontroly projektu. Vybírejte podle požadavků aplikace, nikoli podle sebejistého popisu numerické kvality modelem.
SumHarrier · Aktualizováno 2026-10-25