Some até 1000 números finitos de magnitude máxima 1e100 com um termo de compensação.
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 + correctionUma pequena diferença em um resultado numérico pode vir da preparação de entradas, da ordem de cálculo ou da representação usada ao longo do processo. SumHarrier é um ambiente de programação com IA para Windows para investigar essas possibilidades no projeto. Traga entradas representativas e explique a precisão exigida pela aplicação. Peça ao assistente que examine o cálculo e seus consumidores antes de sugerir que uma única mudança aritmética resolverá a divergência.
O exemplo de soma compensada oferece uma tarefa focada para discutir. Você pode examinar o intervalo de entradas aceito, a conversão para ponto flutuante e o resultado usado pelo código posterior. Solicite uma proposta com casos claros de comparação e revise seu efeito nas expectativas de precisão da aplicação. Mantenha os resultados medidos separados do nome do método: a presença de uma variável de correção não prova que todo resultado satisfaça seu requisito.
Selecione um modelo de IA abliterado por um endpoint suportado compatível com OpenAI ou da Anthropic onde estiver disponível, fornecendo credenciais conforme necessário. O modelo e o servidor determinam restrições, contexto e ferramentas. Revise as edições, execute as verificações numéricas do projeto e compare com uma referência adequada. Um servidor local de modelos executado separadamente não torna local toda ferramenta nem substitui testes no ambiente que executará o cálculo.
Inclua as entradas exatas, o resultado esperado ou método de referência, o resultado observado e a tolerância da aplicação. Identifique o ambiente de execução e as etapas de conversão. Isso dá à investigação um alvo concreto, em vez de tratar toda pequena diferença numérica como o mesmo problema.
Não deduza isso do exemplo. Ele ainda trabalha com valores de ponto flutuante e um contrato de entrada declarado. Se a aplicação exigir quantidades exatas, explicite esse requisito antes de escolher uma representação ou aceitar uma implementação proposta.
Arredondamentos, formatação ou comparações com limiares em etapas posteriores podem alterar o comportamento visível. Revise esses usos antes de presumir que o acumulador seja responsável. A verificação de aceitação deve cobrir a decisão tomada pela aplicação com o total, não apenas o valor retornado pela função auxiliar.
Use as mesmas entradas representativas e uma referência adequada, registrando os erros e as condições de execução. Execute também as verificações existentes do projeto. Escolha de acordo com os requisitos da aplicação, e não com a descrição confiante de qualidade numérica feita por um modelo.
SumHarrier · Atualizado 2026-10-25
