Modele
Dodaj endpoint zgodny z OpenAI lub Anthropic, podając bazowy URL i klucz API, jeśli jest wymagany. Sprawdź połączenie. Lokalny serwer modelu musi działać; zdalne narzędzia mogą przesyłać dane oddzielnie.
Środowisko programowania z AI
Kroki zaniku Rungego–Kutty
Całkuj skalarny zanik wykładniczy za pomocą najwyżej 1000 klasycznych kroków Rungego–Kutty dla skończonych ograniczonych danych.
● ● ●DecayMarsh●
Sposoby pracy · Kroki zaniku Rungego–Kutty ×
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✳Całkuj skalarny zanik wykładniczy za pomocą najwyżej 1000 klasycznych kroków Rungego–Kutty dla skończonych ograniczonych danych.
✓ ZmianySprawdź przed zastosowaniem ↗
Ilustracja środowiska
Projekt
Sprawdź zero kroków i zerowe tempo, odrzuć ujemne tempo lub krok oraz ich iloczyn większy od jednego.
Sprawdź przed zastosowaniem
Porównaj rzeczywiste zachowanie z oczekiwanym wynikiem. Jeśli sprawdzenie się nie powiedzie, wyjaśnij przyczynę przed kolejnymi zmianami.
Sposoby pracy
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 yZapewnij aktualizacjom numerycznym wzorzec poza wiarygodnym wyglądem wyniku
Wynik numeryczny może wyglądać rozsądnie, choć oddala się od zachowania, które aplikacja ma modelować. DecayMarsh udostępnia środowisko programowania z AI dla Windows do badania tego ryzyka w kodzie. Otwórz projekt i omów regułę aktualizacji, przyjmowane parametry i wynik wzorcowy, zanim poprosisz podłączony model o zmianę implementacji.
Poproś na przykład o przegląd ograniczonych kroków Rungego–Kutty dla obliczenia zaniku. Pokaż wyrażenia nachyleń i wyjaśnij zamierzony przedział oraz liczbę kroków. Poproś model o sprawdzenie, jak wartości pośrednie trafiają do kolejnego nachylenia, a następnie odnieś wartość końcową do niezależnie obliczonego wzorca dla prostego przypadku.
Zachowaj granicę aplikacji jako część przeglądu. Limity parametrów, zero kroków i nieprawidłowe wartości liczbowe wymagają świadomie określonego zachowania, zwłaszcza gdy dane pochodzą z formularza lub pliku konfiguracji. Przejrzyj proponowane różnice i uruchom kontrole przypadków zwykłych i granicznych. Jawnie opisz tolerancje porównania, aby zaliczona asercja miała jasne znaczenie numeryczne.
DecayMarsh obsługuje punkty końcowe modeli zgodne z OpenAI lub Anthropic, w tym dostępny model AI bez cenzury. Wybrany model i serwer określają możliwości i limity kontekstu. Użyj rozmowy do uwidocznienia założeń i przygotowania zmian, natomiast wykonanie w projekcie i porównanie ze wzorcem ustalają, czy implementacja spełnia wymagania.
Wzorzec aktualizacji numerycznych poza wiarygodnym wynikiem — pytania przed edycją
Jaki wzorzec powinien towarzyszyć przeglądowi kodu zaniku?
Użyj przypadku z niezależnie znanym wynikiem i podaj tolerancję porównania. Uwzględnij parametry i liczbę kroków. Druga implementacja skopiowana z tych samych wyrażeń może powielać błąd zamiast dostarczać niezależnego dowodu.
Co powinno zwrócić zero kroków?
Określ kontrakt wprost i zweryfikuj go w kodzie wywołującym. Dla aktualizacji krokowej zachowanie wartości początkowej jest przydatnym oczekiwanym przypadkiem do omówienia. Sprawdź, czy proponowana walidacja nie odrzuca przypadkowo dozwolonego żądania z zerową liczbą kroków.
Dlaczego sprawdzać pośrednie nachylenia zamiast samego wyniku?
Nieprawidłowa zależność pośrednia może czasem dawać wiarygodną liczbę końcową. Poproś model o prześledzenie krótkiego przypadku przez wyrażenia i porównanie go z kodem. Następnie uruchom odpowiednie kontrole numeryczne w swoim środowisku.
Czy model może wybrać za mnie tolerancję błędu?
Może omówić propozycję, lecz tolerancja musi odzwierciedlać potrzeby aplikacji i obliczenia. Zapisz wybraną regułę porównania i jej uzasadnienie. Unikaj przyjmowania dowolnego luźnego progu tylko dlatego, że pozwala zaliczyć test.
DecayMarsh · Zaktualizowano 2026-10-25