Zsumuj najwyżej 1000 skończonych liczb o module do 1e100 z poprawką kompensacyjną.
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 + correctionMała różnica wyniku liczbowego może wynikać z przygotowania danych, kolejności obliczeń lub używanej po drodze reprezentacji. SumHarrier to środowisko programistyczne AI dla Windows do badania tych możliwości w projekcie. Przedstaw reprezentatywne dane i wyjaśnij dokładność wymaganą przez aplikację. Poproś asystenta o sprawdzenie obliczenia i jego odbiorców, zanim zasugeruje, że jedna zmiana arytmetyczna usunie rozbieżność.
Przykład sumowania kompensowanego daje konkretne zadanie do omówienia. Możesz zbadać akceptowany zakres wejścia, konwersję do liczb zmiennoprzecinkowych i wynik używany przez dalszy kod. Poproś o propozycję z jasnymi przypadkami porównawczymi i oceń jej wpływ na oczekiwaną dokładność aplikacji. Oddziel mierzone wyniki od nazwy metody: obecność zmiennej korekty nie dowodzi, że każdy wynik spełnia wymaganie.
Wybierz model AI typu abliterated przez obsługiwany punkt końcowy zgodny z OpenAI lub punkt końcowy Anthropic tam, gdzie jest dostępny, podając potrzebne dane uwierzytelniające. Model i serwer określają ograniczenia, kontekst i narzędzia. Przejrzyj zmiany, uruchom kontrole numeryczne projektu i porównaj z odpowiednim odniesieniem. Osobno działający lokalny serwer modelu nie sprawia, że każde narzędzie działa lokalnie, ani nie zastępuje testowania w środowisku wykonującym obliczenie.
Dołącz dokładne dane wejściowe, oczekiwany wynik lub metodę referencyjną, zaobserwowany wynik i tolerancję aplikacji. Wskaż środowisko wykonawcze i kroki konwersji. Daje to analizie konkretny cel zamiast traktowania każdej małej różnicy liczbowej jako tego samego problemu.
Nie wnioskuj tego z przykładu. Nadal operuje on na wartościach zmiennoprzecinkowych i określonym kontrakcie wejścia. Jeśli aplikacja wymaga dokładnych wielkości, powiedz to jawnie przed wyborem reprezentacji lub przyjęciem proponowanej implementacji.
Dalsze zaokrąglanie, formatowanie lub porównania z progami mogą zmieniać widoczne zachowanie. Przejrzyj te zastosowania przed uznaniem akumulatora za przyczynę. Kontrola akceptacyjna powinna obejmować decyzję aplikacji podejmowaną na podstawie sumy, a nie tylko wartość zwróconą przez funkcję pomocniczą.
Użyj tych samych reprezentatywnych danych i odpowiedniego odniesienia, zapisując błędy oraz warunki wykonania. Uruchom także istniejące kontrole projektu. Wybieraj według wymagań aplikacji, a nie pewnego siebie opisu jakości numerycznej przez model.
SumHarrier · Zaktualizowano 2026-10-25