Model
Atur endpoint kompatibel OpenAI atau Anthropic dengan URL dasar dan kunci API jika diperlukan. Uji koneksi. Server model lokal harus berjalan; alat jarak jauh dapat mengirim data secara terpisah.
Ruang kerja kode dengan AI
Langkah peluruhan Runge–Kutta
Integrasikan peluruhan eksponensial skalar dengan maksimal 1000 langkah Runge–Kutta klasik memakai masukan terbatas yang berhingga.
● ● ●DecayMarsh●
Alur kerja · Langkah peluruhan 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✳Integrasikan peluruhan eksponensial skalar dengan maksimal 1000 langkah Runge–Kutta klasik memakai masukan terbatas yang berhingga.
✓ PerubahanTinjau sebelum menerapkan ↗
Ilustrasi ruang kerja
Proyek
Uji nol langkah dan laju nol, lalu tolak laju atau langkah waktu negatif serta hasil kali keduanya di atas satu.
Tinjau sebelum menerapkan
Bandingkan perilaku sebenarnya dengan hasil yang diharapkan. Jika pemeriksaan gagal, cari penyebabnya sebelum membuat perubahan lain.
Alur kerja
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 yBerikan acuan pembaruan numerik yang melampaui keluaran masuk akal
Hasil numerik dapat tampak wajar sambil menyimpang dari perilaku yang hendak dimodelkan aplikasi. DecayMarsh menyediakan ruang kerja pemrograman AI untuk Windows guna memeriksa risiko itu dalam kode sumber. Buka proyek dan bahas aturan pembaruan, parameter yang diterima, serta hasil acuan sebelum meminta model terhubung mengubah implementasi.
Sebagai contoh, minta peninjauan langkah Runge–Kutta terbatas untuk perhitungan peluruhan. Tunjukkan ekspresi kemiringan dan jelaskan interval serta jumlah langkah yang dimaksud. Minta model memeriksa cara nilai antara memasok kemiringan berikutnya, lalu kaitkan nilai akhir dengan acuan yang dihitung secara independen untuk kasus sederhana.
Pertahankan batas aplikasi sebagai bagian peninjauan. Batas parameter, nol langkah, dan nilai numerik tidak valid memerlukan perilaku yang disengaja, terutama ketika masukan berasal dari formulir atau berkas konfigurasi. Periksa diff yang diusulkan dan jalankan pemeriksaan untuk kasus biasa maupun batas. Nyatakan toleransi perbandingan secara eksplisit agar asersi yang lulus memiliki makna numerik yang jelas.
DecayMarsh mendukung endpoint model kompatibel OpenAI atau Anthropic, termasuk model AI tanpa sensor yang tersedia. Model dan server yang dipilih menentukan kemampuan dan batas konteks. Gunakan percakapan untuk memperjelas asumsi dan menyiapkan perubahan, sedangkan eksekusi proyek serta perbandingan acuan Anda menentukan apakah implementasi memenuhi persyaratan.
Acuan pembaruan numerik melampaui keluaran masuk akal — pertanyaan sebelum mengedit
Acuan apa yang perlu menyertai peninjauan kode peluruhan?
Gunakan kasus dengan hasil yang diketahui secara independen dan nyatakan toleransi perbandingannya. Sertakan parameter dan jumlah langkah. Implementasi kedua yang disalin dari ekspresi sama mungkin mengulangi kesalahan yang sama alih-alih memberi bukti independen.
Apa yang harus dikembalikan untuk nol langkah?
Tentukan kontraknya secara langsung dan verifikasi pada pemanggil. Untuk pembaruan berbasis langkah, mempertahankan nilai awal merupakan kasus harapan yang berguna untuk dibahas. Periksa bahwa validasi yang diusulkan tidak tanpa sengaja menolak permintaan nol langkah yang diizinkan.
Mengapa memeriksa kemiringan antara, bukan hanya hasil?
Dependensi antara yang salah kadang dapat menghasilkan angka akhir yang masuk akal. Minta model menelusuri kasus singkat melalui ekspresi dan membandingkannya dengan sumber. Lalu jalankan pemeriksaan numerik terkait di lingkungan Anda.
Bisakah model memilih toleransi kesalahan untuk saya?
Model dapat membahas usulan, tetapi toleransi harus mencerminkan kebutuhan aplikasi dan perhitungannya. Catat aturan perbandingan yang dipilih beserta alasannya. Hindari menerima ambang longgar sembarang hanya karena membuat pengujian lulus.
DecayMarsh · Diperbarui 2026-10-25