Projeção euclidiana no simplex
Projete 1–256 números finitos limitados a ±10^6 no simplex unitário não negativo.
import math
def simplex_projection(values):
if type(values) is not list or not 1 <= len(values) <= 256:
raise ValueError("simplex.input")
if any(type(x) not in (int, float) or not -10**6 <= x <= 10**6 or not math.isfinite(x) for x in values):
raise ValueError("simplex.value")
ranked = sorted(values, reverse=True)
total, theta = 0.0, 0.0
for count, value in enumerate(ranked, 1):
total += value
candidate = (total-1)/count
if value > candidate:
theta = candidate
return [max(0.0, value-theta) for value in values]
Projeto
Teste empates e soluções nos vértices, rejeite booleanos e compare com tolerância numérica sem interpretar os pesos como probabilidades calibradas.
Revise antes de aplicar
Compare o comportamento real com o resultado esperado. Se uma verificação falhar, investigue a causa antes de fazer outras alterações.
Modelos
Configure um endpoint compatível com OpenAI ou Anthropic com a URL base e uma chave API, quando necessária. Teste a conexão. O servidor local precisa estar em execução; ferramentas remotas podem transmitir dados separadamente.
import math
def simplex_projection(values):
if type(values) is not list or not 1 <= len(values) <= 256:
raise ValueError("simplex.input")
if any(type(x) not in (int, float) or not -10**6 <= x <= 10**6 or not math.isfinite(x) for x in values):
raise ValueError("simplex.value")
ranked = sorted(values, reverse=True)
total, theta = 0.0, 0.0
for count, value in enumerate(ranked, 1):
total += value
candidate = (total-1)/count
if value > candidate:
theta = candidate
return [max(0.0, value-theta) for value in values]
Mantenha as restrições numéricas visíveis durante toda a revisão
SimplexDune é um ambiente de programação com IA para Windows para desenvolvedores que revisam transformações numéricas em uma aplicação. Comece com uma pasta de projeto e as propriedades que a saída deve satisfazer. O modelo conectado pode ajudar a examinar como esses requisitos aparecem no código e discutir uma alteração limitada, enquanto você revisa a proposta em relação ao consumidor que depende do resultado.
Uma tarefa sugerida por simplex_projection.py trata de transformar um vetor em pesos não negativos com soma um. Peça ao assistente para examinar entradas aceitas, ordenação da saída e verificações usadas para resultados de ponto flutuante. Forneça vetores representativos e descreva o uso posterior. Isso mantém o exemplo fundamentado em um contrato real de software, sem tratar o ambiente como otimizador integrado ou serviço de treinamento de modelos.
Selecione um modelo de IA sem restrições quando disponível por um endpoint compatível com OpenAI ou Anthropic aceito. Configure o endereço e as credenciais exigidas, considerando o suporte a contexto e ferramentas do servidor. Examine as edições propostas e execute verificações de resultados esperados e de propriedades da saída no ambiente numérico. Use uma tolerância declarada quando a igualdade exata em ponto flutuante for inadequada. A conversa deve expor as premissas da correção para que você decida se ela preserva o comportamento necessário à aplicação.
Revisão de saídas numéricas com restrições
Quais propriedades da saída solicitar explicitamente?
Indique o comprimento exigido, a ordenação, os sinais permitidos e a soma esperada, além de qualquer tolerância. Inclua os requisitos do consumidor. Um resultado pode satisfazer uma restrição e violar outra, portanto a revisão não deve parar em um único valor agregado.
A igualdade exata com um é um teste confiável em ponto flutuante?
Não em todo cálculo. Escolha uma tolerância adequada ao contrato numérico e ao ambiente de teste e explique-a na verificação. Peça ao modelo para distinguir efeitos de representação de uma violação real de restrição, em vez de enfraquecer silenciosamente as asserções.
A correção deve reordenar o vetor original?
Somente se o contrato de saída permitir. Uma ordenação interna pode servir ao cálculo, enquanto os valores finais ainda precisam corresponder às posições originais. Revise o consumidor e teste uma entrada com elementos distintos que tornem visível um erro de ordenação.
Uma verificação de propriedades pode substituir exemplos de resultados esperados?
Use ambas quando testarem afirmações diferentes. Um vetor pode ser não negativo e somar um sem ser a projeção pretendida. Pequenos resultados estabelecidos independentemente ajudam a verificar a transformação, enquanto propriedades cobrem aspectos mais amplos do contrato de saída.
SimplexDune · Atualizado 2026-10-25