Modeller
Temel URL ve gerekiyorsa API anahtarıyla OpenAI uyumlu veya Anthropic endpoint yapılandırın. Bağlantıyı test edin. Yerel model sunucusu çalışıyor olmalıdır; uzak araçlar ayrıca veri aktarabilir.
Yapay zekâ ile kod çalışma alanı
Runge–Kutta azalma adımları
Sonlu sınırlı girdilerle skaler üstel azalmayı en fazla 1000 klasik Runge–Kutta adımıyla bütünleyin.
● ● ●DecayMarsh●
İş akışları · Runge–Kutta azalma adımları ×
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✳Sonlu sınırlı girdilerle skaler üstel azalmayı en fazla 1000 klasik Runge–Kutta adımıyla bütünleyin.
✓ DeğişikliklerUygulamadan önce inceleyin ↗
Çalışma alanı çizimi
Proje
Sıfır adımı ve sıfır oranı sınayın; negatif oranı veya zaman adımını ve çarpımlarının biri aşmasını reddedin.
Uygulamadan önce inceleyin
Gerçek davranışı beklenen sonuçla karşılaştırın. Bir kontrol başarısız olursa yeni değişikliklerden önce nedenini araştırın.
İş akışları
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 ySayısal güncellemelere makul çıktının ötesinde bir referans verin
Sayısal bir sonuç, uygulamanın modellemek istediği davranıştan uzaklaşırken makul görünebilir. DecayMarsh, bu riski kaynak kodunda incelemek için bir Windows yapay zeka kodlama çalışma alanı sunar. Bağlı bir modelden uygulamayı değiştirmesini istemeden önce projeyi açın; güncelleme kuralını, kabul edilen parametreleri ve referans sonucu tartışın.
Örneğin, bir azalma hesaplaması için sınırlı Runge–Kutta adımlarının incelenmesini isteyin. Eğim ifadelerini gösterin, amaçlanan aralığı ve adım sayısını açıklayın. Modelden ara değerlerin sonraki eğimi nasıl beslediğini incelemesini, ardından son değeri basit bir durum için bağımsız hesaplanmış referansla ilişkilendirmesini isteyin.
Uygulama sınırını incelemenin parçası olarak tutun. Parametre sınırları, sıfır adım ve geçersiz sayısal değerler, özellikle girdiler bir form veya yapılandırma dosyasından geliyorsa bilinçli bir davranış gerektirir. Önerilen farkı inceleyin ve hem olağan hem sınır durumları için denetimler çalıştırın. Başarılı bir doğrulamanın açık sayısal anlamı olması için karşılaştırma toleranslarını açıkça tanımlayın.
DecayMarsh, sunulan sansürsüz bir yapay zeka modeli dahil, OpenAI uyumlu veya Anthropic model uç noktalarını destekler. Yetenekleri ve bağlam sınırlarını seçilen model ile sunucu belirler. Varsayımları görünür kılmak ve değişiklikleri hazırlamak için görüşmeyi kullanın; uygulamanın gereksinimleri karşılayıp karşılamadığını ise projenin yürütülmesi ve referans karşılaştırması belirler.
Sayısal güncellemelere makul çıktının ötesinde bir referans verin — düzenlemeden önce sorular
Azalma kodu incelemesine hangi referans eşlik etmeli?
Sonucu bağımsız olarak bilinen bir durum kullanın ve karşılaştırma toleransını belirtin. Parametreleri ve adım sayısını ekleyin. Aynı ifadelerden kopyalanmış ikinci bir uygulama, bağımsız kanıt sağlamak yerine aynı hatayı tekrarlayabilir.
Sıfır adım ne döndürmeli?
Sözleşmeyi doğrudan belirtin ve çağıran kodda doğrulayın. Adıma dayalı güncellemede başlangıç değerini korumak, tartışılacak yararlı bir beklenen durumdur. Önerilen doğrulamanın izin verilen sıfır adım isteğini yanlışlıkla reddetmediğini denetleyin.
Neden yalnızca sonuç yerine ara eğimleri incelemeliyim?
Yanlış bir ara bağımlılık bazen makul bir son sayı üretebilir. Modelden kısa bir durumu ifadeler boyunca izlemesini ve kaynakla karşılaştırmasını isteyin. Ardından ortamınızda ilgili sayısal denetimleri çalıştırın.
Model benim için hata toleransı seçebilir mi?
Bir öneriyi tartışabilir; ancak tolerans, uygulamanızın ihtiyaçlarını ve hesaplamayı yansıtmalıdır. Seçilen karşılaştırma kuralını ve gerekçesini kaydedin. Yalnızca testi geçirdiği için keyfî derecede gevşek bir eşiği kabul etmekten kaçının.
DecayMarsh · Güncellendi 2026-10-25