Suma hasta 1000 números finitos de magnitud máxima 1e100 con compensación.
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 + correctionUna pequeña diferencia en un resultado numérico puede proceder de la preparación de la entrada, el orden de cálculo o la representación utilizada durante el proceso. SumHarrier es un entorno de programación con IA para Windows donde investigar esas posibilidades dentro de tu proyecto. Aporta entradas representativas y explica la exactitud que necesita tu aplicación. Pide al asistente que examine el cálculo y sus consumidores antes de sugerir que un único cambio aritmético resolverá la discrepancia.
El ejemplo de suma compensada ofrece una tarea específica que analizar. Puedes examinar el intervalo de entrada aceptado, la conversión a coma flotante y el resultado que usa el código posterior. Solicita una propuesta con casos claros de comparación y revisa su efecto sobre las expectativas de exactitud de la aplicación. Separa los resultados medidos del nombre del método: la presencia de una variable de corrección no demuestra que todos los resultados satisfagan tu requisito.
Selecciona un modelo de IA ablacionado mediante un endpoint compatible con OpenAI o de Anthropic admitido cuando esté disponible y proporciona credenciales según sea necesario. El modelo y el servidor determinan las restricciones, el contexto y las herramientas. Revisa los cambios, ejecuta las comprobaciones numéricas de tu proyecto y compara con una referencia adecuada. Un servidor de modelos local que se ejecuta por separado no hace locales todas las herramientas ni sustituye las pruebas en el entorno de ejecución que realizará el cálculo.
Incluye las entradas exactas, el resultado esperado o método de referencia, el resultado observado y la tolerancia de la aplicación. Identifica el entorno de ejecución y los pasos de conversión. Así la investigación tiene un objetivo concreto en lugar de tratar todas las pequeñas diferencias numéricas como el mismo problema.
No lo infieras del ejemplo. Sigue trabajando con valores de coma flotante y un contrato de entrada declarado. Si tu aplicación requiere cantidades exactas, explicita ese requisito antes de elegir una representación o aceptar una implementación propuesta.
El redondeo, el formato o las comparaciones con umbrales posteriores pueden cambiar el comportamiento visible. Revisa esos usos antes de suponer que el acumulador es responsable. La comprobación de aceptación debe cubrir la decisión que toma la aplicación con el total, además del valor devuelto por la función auxiliar.
Usa las mismas entradas representativas y una referencia adecuada y registra los errores y las condiciones de ejecución. Ejecuta también las comprobaciones existentes del proyecto. Elige según los requisitos de la aplicación y no por una descripción segura del modelo sobre la calidad numérica.
SumHarrier · Actualizado 2026-10-25