Моделі
Налаштуйте OpenAI-сумісний або Anthropic endpoint із базовою URL-адресою та API-ключем, якщо він потрібен. Перевірте з’єднання. Локальний сервер моделі має працювати; віддалені інструменти можуть окремо передавати дані.
Робоче середовище з ШІ для коду
Кроки згасання Рунге–Кутти
Проінтегруйте скалярне експоненційне згасання не більш ніж 1000 класичними кроками Рунге–Кутти зі скінченними обмеженими даними.
● ● ●DecayMarsh●
Сценарії · Кроки згасання Рунге–Кутти ×
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✳Проінтегруйте скалярне експоненційне згасання не більш ніж 1000 класичними кроками Рунге–Кутти зі скінченними обмеженими даними.
✓ ЗміниПеревірте перед застосуванням ↗
Ілюстрація робочого середовища
Проєкт
Перевірте нуль кроків і нульову швидкість, відхиляючи від’ємну швидкість чи часовий крок та їхній добуток понад одиницю.
Перевірте перед застосуванням
Порівняйте фактичну поведінку з очікуваним результатом. Якщо перевірка не проходить, з’ясуйте причину перед наступними змінами.
Сценарії
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 числовим оновленням еталон, що виходить за межі правдоподібного результату
Числовий результат може виглядати розумно, відхиляючись від поведінки, яку має моделювати програма. DecayMarsh надає робоче середовище з ШІ для програмування у Windows, щоб досліджувати цей ризик у коді. Відкрийте проєкт і обговоріть правило оновлення, допустимі параметри й еталонний результат, перш ніж просити підключену модель змінити реалізацію.
Наприклад, попросіть перевірити кроки Рунге—Кутти з обмеженими параметрами для обчислення згасання. Покажіть вирази похідних і поясніть потрібний інтервал та кількість кроків. Попросіть модель перевірити, як проміжні значення входять до наступної похідної, а потім зіставити кінцеве значення з незалежно обчисленим еталоном для простого випадку.
Включіть межі програми до перевірки. Обмеження параметрів, нуль кроків і некоректні числові значення потребують свідомо визначеної поведінки, особливо коли вхід надходить із форми або конфігураційного файла. Перегляньте запропоновані зміни й запустіть перевірки звичайних і граничних випадків. Явно опишіть допуски порівняння, щоб успішна перевірка мала чітке числове значення.
DecayMarsh підтримує кінцеві точки моделей, сумісні з OpenAI, або Anthropic, зокрема доступну модель ШІ без цензури. Вибрана модель і сервер визначають можливості й межі контексту. Використовуйте обговорення, щоб зробити припущення видимими й підготувати зміни, а виконання проєкту та порівняння з еталоном установлюють, чи відповідає реалізація вимогам.
Еталон для числових оновлень — запитання перед редагуванням
Який еталон має супроводжувати перевірку коду згасання?
Використайте випадок із незалежно відомим результатом і зазначте допуск порівняння. Додайте параметри та кількість кроків. Друга реалізація, скопійована з тих самих виразів, може повторити ту саму помилку замість надання незалежного доказу.
Що мають повертати нуль кроків?
Прямо визначте контракт і перевірте його в коді виклику. Для покрокового оновлення збереження початкового значення — корисний очікуваний випадок для обговорення. Переконайтеся, що запропонована валідація випадково не відхиляє дозволений запит із нулем кроків.
Навіщо перевіряти проміжні похідні, а не лише результат?
Неправильна проміжна залежність іноді дає правдоподібне кінцеве число. Попросіть модель простежити короткий випадок через вирази й порівняти його з кодом. Потім запустіть відповідні числові перевірки у своєму середовищі.
Чи може модель вибрати допуск похибки за мене?
Вона може обговорити пропозицію, але допуск має відображати потреби програми й обчислення. Запишіть вибране правило порівняння та його обґрунтування. Не приймайте довільно широкий поріг лише тому, що з ним тест проходить.
DecayMarsh · Оновлено 2026-10-25