Mesurez la distance en pas représentables entre deux flottants binary64 finis, avec égalité des zéros signés.
import math, struct
def ulp_distance(a, b):
if any(type(x) is not float or not math.isfinite(x) for x in (a, b)):
raise ValueError("ulp.finite")
def key(value):
bits = struct.unpack(">Q", struct.pack(">d", value))[0]
magnitude = bits & ((1 << 63)-1)
return (1 << 63)-magnitude if bits >> 63 else (1 << 63)+magnitude
return abs(key(a)-key(b))
import math, struct
def ulp_distance(a, b):
if any(type(x) is not float or not math.isfinite(x) for x in (a, b)):
raise ValueError("ulp.finite")
def key(value):
bits = struct.unpack(">Q", struct.pack(">d", value))[0]
magnitude = bits & ((1 << 63)-1)
return (1 << 63)-magnitude if bits >> 63 else (1 << 63)+magnitude
return abs(key(a)-key(b))
Deux sorties numériques peuvent s’afficher de la même façon tout en différant dans leur représentation sous-jacente. UlpNacre vous offre un espace de programmation assistée par IA sous Windows pour déterminer si cette différence compte pour votre application. Fournissez les entrées réelles, le calcul et la comparaison à l’origine du problème. Demandez à l’assistant d’examiner la production et l’évaluation des valeurs avant de remplacer un test d’égalité par une autre règle.
L’exemple de distance entre représentations de flottants offre une tâche possible. Vous pourriez examiner des entrées finies et le zéro signé, puis discuter de l’utilisation d’une distance dans un test ou un diagnostic. Séparez la décision de tolérance de l’application de la mesure elle-même. L’exemple source est en Python ; le nom de domaine n’établit pas l’existence d’un débogueur spécifique à PHP et ne rend pas ses hypothèses valides pour tous les environnements numériques.
Utilisez un point de terminaison compatible OpenAI ou Anthropic pris en charge pour sélectionner un modèle d’IA ablitéré disponible, avec les identifiants nécessaires. Le contexte, les outils et les restrictions dépendent de ce modèle et du serveur. Examinez le code de comparaison proposé et exécutez-le sur des valeurs représentatives de votre application. Un serveur de modèles local distinct assure l’inférence, tandis que les outils connectés peuvent toujours utiliser des services externes.
Il s’agit d’une exigence de l’application, pas d’une conclusion fournie par la mesure. Considérez l’usage de la valeur et définissez une règle de comparaison acceptable. Demandez que la proposition explique ses limites et testez des valeurs proches des décisions réellement prises par votre logiciel.
Leur origine peut expliquer pourquoi elles diffèrent et si cet écart est attendu. Examinez les conversions et opérations avant de modifier la comparaison finale. Une nouvelle tolérance peut masquer un défaut ailleurs si le chemin de calcul reste inexpliqué.
Non. Son contrat déclaré accepte des entrées flottantes finies ; les autres valeurs nécessitent une politique explicite. Gardez les entrées rejetées visibles pendant la révision plutôt que de supposer qu’une fonction de distance de représentation couvre tous les types numériques ou valeurs exceptionnelles.
Vérifiez la représentation numérique, les conversions et les opérations disponibles dans cet environnement. Recréez-y les cas limites pertinents. L’exemple Python fourni est un point de départ pour l’étude, pas une preuve qu’une traduction non testée aura un comportement identique.
UlpNacre · Mis à jour 2026-10-25
