Modellen
Stel een OpenAI-compatibel of Anthropic-endpoint in met de basis-URL en zo nodig een API-sleutel. Test de verbinding. Een lokale modelserver moet actief zijn; externe hulpmiddelen kunnen apart gegevens versturen.
AI-werkruimte voor code
Runge–Kutta-vervalstappen
Integreer scalair exponentieel verval met maximaal 1000 klassieke Runge–Kutta-stappen en eindige begrensde invoer.
● ● ●DecayMarsh●
Werkprocessen · Runge–Kutta-vervalstappen ×
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✳Integreer scalair exponentieel verval met maximaal 1000 klassieke Runge–Kutta-stappen en eindige begrensde invoer.
✓ WijzigingenControleer vóór het toepassen ↗
Illustratie van de werkruimte
Project
Test nul stappen en een vervalsnelheid van nul, en weiger negatieve snelheden of stapgroottes en hun product boven één.
Controleer vóór het toepassen
Vergelijk het werkelijke gedrag met het verwachte resultaat. Onderzoek een mislukte controle voordat je verdergaat met wijzigingen.
Werkprocessen
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 yGeef numerieke stappen een referentie naast aannemelijke uitvoer
Een numeriek resultaat kan redelijk lijken terwijl het afwijkt van het gedrag dat de toepassing wil modelleren. DecayMarsh biedt een AI-programmeeromgeving voor Windows om dat risico in de broncode te onderzoeken. Open het project en bespreek de bijwerkregel, geaccepteerde parameters en het referentieresultaat voordat je een verbonden model vraagt de implementatie te wijzigen.
Vraag bijvoorbeeld een beoordeling van begrensde Runge–Kutta-stappen voor een vervalberekening. Toon de hellingsuitdrukkingen en leg het beoogde interval en aantal stappen uit. Vraag het model te bekijken hoe tussenwaarden de volgende helling bepalen en het eindresultaat vervolgens te vergelijken met een onafhankelijk berekende referentie voor een eenvoudig geval.
Betrek de toepassingsgrens bij de beoordeling. Parameterlimieten, nul stappen en ongeldige numerieke waarden vereisen bewust gekozen gedrag, vooral bij invoer uit een formulier of configuratiebestand. Bekijk de voorgestelde diff en voer controles uit voor zowel gewone als grensgevallen. Beschrijf vergelijkingstoleranties expliciet, zodat een geslaagde assertie een duidelijke numerieke betekenis heeft.
DecayMarsh ondersteunt OpenAI-compatibele of Anthropic-modelendpoints, inclusief een beschikbaar AI-model zonder censuur. Het gekozen model en de server bepalen mogelijkheden en contextlimieten. Gebruik het gesprek om aannames zichtbaar te maken en wijzigingen voor te bereiden; uitvoering in je project en vergelijking met een referentie bepalen of de implementatie aan de eisen voldoet.
Een referentie voor numerieke stappen — vragen vóór het bewerken
Welke referentie hoort bij een beoordeling van vervalcode?
Gebruik een geval met een onafhankelijk bekend resultaat en vermeld de vergelijkingstolerantie. Neem de parameters en het aantal stappen op. Een tweede implementatie die dezelfde uitdrukkingen kopieert, kan dezelfde fout herhalen in plaats van onafhankelijk bewijs te bieden.
Wat moeten nul stappen teruggeven?
Leg het contract rechtstreeks vast en verifieer het bij de aanroeper. Bij stapsgewijs bijwerken is behoud van de beginwaarde een nuttig verwacht geval om te bespreken. Controleer of voorgestelde validatie een toegestane aanvraag met nul stappen niet onbedoeld weigert.
Waarom tussenliggende hellingen bekijken in plaats van alleen het resultaat?
Een verkeerde tussenliggende afhankelijkheid kan soms een aannemelijk eindgetal opleveren. Vraag het model een kort geval door de uitdrukkingen te volgen en met de broncode te vergelijken. Voer daarna de relevante numerieke controles in je eigen omgeving uit.
Kan het model een fouttolerantie voor mij kiezen?
Het kan een voorstel bespreken, maar de tolerantie moet passen bij de behoeften van je toepassing en de berekening. Leg de gekozen vergelijkingsregel en de onderbouwing vast. Accepteer geen willekeurig ruime grens alleen omdat de test daarmee slaagt.
DecayMarsh · Bijgewerkt 2026-10-25