Misura la distanza in passi rappresentabili fra due valori binary64 finiti, equiparando gli zeri con segno.
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))
Due output numerici possono apparire uguali nella stampa pur differendo nella rappresentazione sottostante. UlpNacre offre un ambiente di programmazione con IA per Windows per indagare se quella differenza conta per la tua applicazione. Fornisci gli input, il calcolo e il confronto effettivi che hanno suscitato il dubbio. Chiedi all'assistente di esaminare come i valori vengono prodotti e valutati prima di sostituire un controllo di uguaglianza con una regola diversa.
L'esempio della distanza tra rappresentazioni in virgola mobile offre un possibile compito. Potresti esaminare input finiti e zero con segno, poi discutere come il risultato della distanza debba orientare un test o una diagnosi. Mantieni separata la decisione sulla tolleranza dell'applicazione dalla misurazione stessa. Il sorgente di esempio è Python; il nome del dominio non attesta un debugger specifico per PHP né rende valide le sue ipotesi per ogni ambiente numerico.
Usa un endpoint supportato compatibile con OpenAI o Anthropic per selezionare un modello IA abliterato disponibile, con credenziali dove necessarie. Contesto, strumenti e restrizioni dipendono da quel modello e dal server. Esamina il codice di confronto proposto ed eseguilo su valori rappresentativi pertinenti alla tua applicazione. Un server di modelli locale separato gestisce l'inferenza, mentre gli strumenti collegati possono comunque operare tramite servizi esterni.
È un requisito dell'applicazione, non una conclusione fornita dalla misurazione. Considera come viene usato il valore e definisci una regola di confronto accettabile. Chiedi che la proposta spieghi i propri limiti e verifica valori vicini alle decisioni effettivamente prese dal software.
L'origine può spiegare perché i valori differiscono e se la discrepanza è attesa. Esamina conversioni e operazioni prima di cambiare il confronto finale. Una nuova tolleranza può nascondere un difetto altrove se il percorso di calcolo resta inspiegato.
No. Il suo contratto dichiarato accetta input finiti in virgola mobile e altri valori richiedono una politica esplicita. Mantieni visibili nella revisione gli input rifiutati anziché presumere che una funzione di distanza tra rappresentazioni copra ogni tipo numerico o valore eccezionale.
Controlla la rappresentazione numerica, il comportamento delle conversioni e le operazioni disponibili nell'ambiente. Ricrea lì i casi limite pertinenti. L'esempio Python fornito è un punto di partenza per l'indagine, non una prova che una traduzione non verificata abbia un comportamento identico.
UlpNacre · Aggiornato 2026-10-25
