Somma fino a 1000 numeri finiti di modulo massimo 1e100 usando compensazione.
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 piccola differenza in un risultato numerico può derivare dalla preparazione dell'input, dall'ordine dei calcoli o dalla rappresentazione usata lungo il percorso. SumHarrier è un ambiente di programmazione con IA per Windows per indagare queste possibilità nel progetto. Porta input rappresentativi e spiega l'accuratezza richiesta dall'applicazione. Chiedi all'assistente di esaminare il calcolo e chi lo usa prima di suggerire che una sola modifica aritmetica risolverà la discrepanza.
L'esempio di somma compensata offre un'attività mirata da discutere. Puoi esaminare l'intervallo di input accettato, la conversione in virgola mobile e il risultato usato dal codice a valle. Richiedi una proposta con casi di confronto chiari e valutane l'effetto sulle aspettative di accuratezza dell'applicazione. Tieni distinti gli esiti misurati dal nome del metodo: la presenza di una variabile di correzione non dimostra che ogni risultato soddisfi il requisito.
Seleziona un modello IA abliterato tramite un endpoint supportato compatibile con OpenAI o Anthropic dove disponibile, fornendo credenziali quando necessarie. Modello e server determinano restrizioni, contesto e strumenti. Esamina le modifiche, esegui i controlli numerici del progetto e confronta con un riferimento appropriato. Un server di modelli locale in esecuzione separata non rende locale ogni strumento e non sostituisce i test nell'ambiente che eseguirà il calcolo.
Includi input esatti, risultato atteso o metodo di riferimento, risultato osservato e tolleranza applicativa. Identifica l’ambiente di esecuzione e gli eventuali passaggi di conversione. Questo dà all’indagine un obiettivo concreto senza trattare ogni piccola differenza numerica come lo stesso problema.
Non dedurlo dall’esempio. Opera comunque con valori in virgola mobile e un contratto di input dichiarato. Se l’applicazione richiede quantità esatte, esplicita il requisito prima di scegliere una rappresentazione o accettare un’implementazione proposta.
Arrotondamenti, formattazione o confronti con soglie a valle possono cambiare il comportamento visibile. Esamina questi usi prima di attribuire la responsabilità all’accumulatore. Il controllo di accettazione deve coprire la decisione applicativa basata sul totale, non solo il valore restituito dalla funzione ausiliaria.
Usa gli stessi input rappresentativi e un riferimento appropriato, registrando errori e condizioni di esecuzione. Esegui anche i controlli esistenti del progetto. Scegli secondo i requisiti applicativi, non in base alla descrizione sicura di sé di un modello sulla qualità numerica.
SumHarrier · Aggiornato 2026-10-25