Additionnez au plus 1000 nombres finis de valeur absolue maximale 1e100 avec compensation.
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 + correctionUn petit écart numérique peut venir de la préparation des entrées, de l’ordre des calculs ou de la représentation employée en cours de route. SumHarrier est un espace de programmation avec IA pour Windows où étudier ces possibilités dans votre projet. Apportez des entrées représentatives et expliquez la précision requise par l’application. Demandez à l’assistant d’examiner le calcul et ses consommateurs avant de suggérer qu’un unique changement arithmétique résoudra l’écart.
L’exemple de sommation compensée fournit une tâche ciblée à discuter. Vous pouvez examiner la plage d’entrée acceptée, la conversion en virgule flottante et le résultat utilisé en aval. Demandez une proposition avec des cas de comparaison clairs et examinez son effet sur les attentes de précision de l’application. Distinguez les résultats mesurés du nom de la méthode : la présence d’une variable de correction ne prouve pas que chaque résultat répond à votre exigence.
Sélectionnez un modèle d’IA ablaté via un point de terminaison compatible OpenAI ou Anthropic pris en charge lorsqu’il est disponible, en fournissant les identifiants nécessaires. Le modèle et le serveur déterminent les restrictions, le contexte et les outils. Examinez les modifications, exécutez les vérifications numériques du projet et comparez à une référence appropriée. Un serveur de modèles local exécuté séparément ne rend pas tous les outils locaux et ne remplace pas les tests dans l’environnement qui exécutera le calcul.
Incluez les entrées exactes, le résultat attendu ou la méthode de référence, le résultat observé et la tolérance de l’application. Identifiez l’environnement d’exécution et les étapes de conversion. Cela donne une cible concrète à l’enquête au lieu de traiter tous les petits écarts numériques comme un même problème.
Ne le déduisez pas de l’exemple. Elle utilise toujours des valeurs en virgule flottante et un contrat d’entrée défini. Si l’application exige des quantités exactes, rendez cette exigence explicite avant de choisir une représentation ou d’accepter une implémentation proposée.
Les arrondis, le formatage ou les comparaisons de seuil en aval peuvent modifier le comportement visible. Examinez ces usages avant de supposer l’accumulateur responsable. Le contrôle d’acceptation doit couvrir la décision prise par l’application à partir du total, pas seulement la valeur retournée par la fonction auxiliaire.
Utilisez les mêmes entrées représentatives et une référence adaptée, en consignant les erreurs ainsi que les conditions d’exécution. Exécutez aussi les vérifications existantes du projet. Choisissez selon les exigences de l’application plutôt que selon une description assurée de la qualité numérique par le modèle.
SumHarrier · Mis à jour 2026-10-25