Modèles
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
Espace de développement avec IA
Pas de décroissance Runge–Kutta
Intégrez une décroissance exponentielle scalaire avec au plus 1000 pas classiques de Runge–Kutta et des entrées finies bornées.
● ● ●DecayMarsh●
Méthodes de travail · Pas de décroissance Runge–Kutta ×
def decay_steps(initial, rate, dt, steps):
if any(type(v) not in (int, float) for v in (initial, rate, dt)):
raise ValueError("decay.numeric")
if not -10**6 <= initial <= 10**6 or not 0 <= rate <= 1000 or not 0 <= dt <= 1 or rate * dt > 1:
raise ValueError("decay.range")
if type(steps) is not int or not 0 <= steps <= 1000:
raise ValueError("decay.steps")
y = float(initial)
for _ in range(steps):
k1 = -rate * y
k2 = -rate * (y + dt*k1/2)
k3 = -rate * (y + dt*k2/2)
k4 = -rate * (y + dt*k3)
y += dt*(k1 + 2*k2 + 2*k3 + k4)/6
return y✳Intégrez une décroissance exponentielle scalaire avec au plus 1000 pas classiques de Runge–Kutta et des entrées finies bornées.
✓ ModificationsVérifiez avant d’appliquer ↗
Illustration de l’espace de travail
Projet
Testez zéro pas et un taux nul, rejetez les taux ou pas négatifs ainsi que leur produit supérieur à un.
Vérifiez avant d’appliquer
Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications.
Méthodes de travail
def decay_steps(initial, rate, dt, steps):
if any(type(v) not in (int, float) for v in (initial, rate, dt)):
raise ValueError("decay.numeric")
if not -10**6 <= initial <= 10**6 or not 0 <= rate <= 1000 or not 0 <= dt <= 1 or rate * dt > 1:
raise ValueError("decay.range")
if type(steps) is not int or not 0 <= steps <= 1000:
raise ValueError("decay.steps")
y = float(initial)
for _ in range(steps):
k1 = -rate * y
k2 = -rate * (y + dt*k1/2)
k3 = -rate * (y + dt*k2/2)
k4 = -rate * (y + dt*k3)
y += dt*(k1 + 2*k2 + 2*k3 + k4)/6
return yDonnez aux mises à jour numériques une référence au-delà d’une sortie plausible
Un résultat numérique peut sembler raisonnable tout en s’écartant du comportement que l’application cherche à modéliser. DecayMarsh propose un espace de programmation avec IA pour Windows permettant d’examiner ce risque dans le code source. Ouvrez le projet et discutez de la règle de mise à jour, des paramètres acceptés et du résultat de référence avant de demander à un modèle connecté de modifier l’implémentation.
Par exemple, demandez l’examen de pas de Runge–Kutta bornés pour un calcul de décroissance. Montrez les expressions des pentes et expliquez l’intervalle et le nombre de pas voulus. Demandez au modèle d’examiner comment les valeurs intermédiaires alimentent la pente suivante, puis de relier la valeur finale à une référence calculée indépendamment pour un cas simple.
Incluez la frontière de l’application dans l’examen. Les limites de paramètres, l’absence de pas et les valeurs numériques invalides nécessitent un comportement délibéré, surtout si les entrées proviennent d’un formulaire ou d’un fichier de configuration. Examinez les différences proposées et exécutez des vérifications sur les cas ordinaires et limites. Décrivez explicitement les tolérances de comparaison pour qu’une assertion réussie ait un sens numérique clair.
DecayMarsh prend en charge les points de terminaison de modèles compatibles OpenAI ou Anthropic, y compris un modèle d’IA sans censure disponible. Le modèle et le serveur sélectionnés déterminent les capacités et les limites de contexte. Utilisez la conversation pour rendre les hypothèses visibles et préparer les modifications, tandis que l’exécution du projet et la comparaison à la référence établissent si l’implémentation satisfait ses exigences.
Une référence pour les mises à jour numériques : questions avant modification
Quelle référence joindre à un examen de code de décroissance ?
Utilisez un cas dont le résultat est connu indépendamment et indiquez la tolérance de comparaison. Incluez les paramètres et le nombre de pas. Une deuxième implémentation copiée des mêmes expressions peut reproduire la même erreur au lieu de fournir une preuve indépendante.
Que doit renvoyer un calcul avec zéro pas ?
Précisez directement le contrat et vérifiez-le dans l’appelant. Pour une mise à jour par pas, conserver la valeur initiale est un cas attendu utile à discuter. Vérifiez que la validation proposée ne rejette pas accidentellement une demande autorisée de zéro pas.
Pourquoi examiner les pentes intermédiaires plutôt que le seul résultat ?
Une dépendance intermédiaire incorrecte peut parfois produire un nombre final plausible. Demandez au modèle de suivre un cas court dans les expressions et de le comparer au code. Exécutez ensuite les vérifications numériques pertinentes dans votre environnement.
Le modèle peut-il choisir une tolérance d’erreur pour moi ?
Il peut discuter d’une proposition, mais la tolérance doit refléter les besoins de l’application et le calcul. Consignez la règle de comparaison choisie et sa justification. Évitez d’accepter un seuil arbitrairement large simplement parce qu’il fait réussir le test.
DecayMarsh · Mis à jour 2026-10-25