Подключение
Базовый URL, учётные данные и доступный сервер.
Рабочая среда с ИИ для кода
Шаги затухания Рунге–Кутты
DecayMarsh — ИИ-клиент Windows для проверки ограниченных численных шагов. Обсудите вычисление наклонов через совместимую конечную точку, изучите правки и сравните их с аналитическим эталоном.
● ● ●DecayMarsh●
Конкретная отправная точка · Шаги затухания Рунге–Кутты ×
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✳Проинтегрируйте скалярное экспоненциальное затухание не более чем 1000 классическими шагами Рунге–Кутты при конечных ограниченных данных.
✓ ИзмененияПроверьте перед применением ↗
Иллюстрация рабочей среды
Проект
Проверьте ноль шагов и нулевую скорость, отклоняя отрицательную скорость или шаг времени и их произведение выше единицы.
Проверьте перед применением
Сравните фактическое поведение с ожидаемым. Если проверка не проходит, разберитесь в причине перед следующими изменениями.
Конкретная отправная точка
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 yДайте численным обновлениям эталон помимо правдоподобного вывода
Численный результат может выглядеть разумно, но отклоняться от поведения, которое приложение должно моделировать. DecayMarsh — рабочая среда программирования с ИИ для Windows, позволяющая изучить этот риск в исходниках. Откройте проект и обсудите правило обновления, допустимые параметры и эталонный результат, прежде чем просить подключённую модель изменить реализацию.
Например, запросите проверку ограниченных шагов Рунге—Кутты для расчёта затухания. Покажите выражения наклонов и объясните нужный интервал и число шагов. Попросите модель изучить, как промежуточные значения поступают в следующий наклон, затем сопоставить итоговое значение с независимо вычисленным эталоном для простого случая.
Включайте границу приложения в проверку. Пределы параметров, нулевое число шагов и недопустимые числовые значения требуют осознанного поведения, особенно при вводе из формы или файла конфигурации. Изучите предложенные изменения и выполните проверки обычных и граничных случаев. Явно задавайте допуски сравнения, чтобы успешная проверка имела понятный численный смысл.
DecayMarsh поддерживает конечные точки моделей, совместимые с OpenAI, или конечные точки Anthropic, в том числе доступную модель ИИ без цензуры. Выбранные модель и сервер определяют возможности и пределы контекста. Используйте обсуждение для выявления допущений и подготовки изменений, а выполнение проекта и сравнение с эталоном — для установления соответствия реализации требованиям.
Эталон для численных обновлений — вопросы перед правкой
Какой эталон нужен для проверки кода затухания?
Используйте случай с независимо известным результатом и укажите допуск сравнения. Включите параметры и число шагов. Вторая реализация, скопированная из тех же выражений, может повторить ошибку вместо предоставления независимого подтверждения.
Что возвращать при нуле шагов?
Явно задайте контракт и проверьте его в вызывающем коде. Для пошагового обновления сохранение начального значения — полезный ожидаемый случай для обсуждения. Проверьте, не отклоняет ли предлагаемая валидация случайно разрешённый запрос с нулём шагов.
Зачем изучать промежуточные наклоны, а не только результат?
Неверная промежуточная зависимость иногда даёт правдоподобное итоговое число. Попросите модель проследить короткий случай по выражениям и сопоставить его с исходниками. Затем выполните соответствующие численные проверки в своей среде.
Может ли модель выбрать допуск ошибки за меня?
Она может обсудить предложение, но допуск должен отражать потребности приложения и вычисление. Зафиксируйте выбранное правило сравнения и его обоснование. Не принимайте произвольный большой допуск лишь потому, что с ним тест проходит.
DecayMarsh · Обновлено 2026-10-25