Modelle
Richten Sie einen OpenAI-kompatiblen oder Anthropic-Endpunkt mit Basis-URL und gegebenenfalls API-Schlüssel ein. Testen Sie die Verbindung. Ein lokaler Modellserver muss laufen; entfernte Werkzeuge können Daten separat übertragen.
KI-Arbeitsumgebung für Code
Unskalierte mediane absolute Abweichung
Liefere Median und unskalierte mediane absolute Abweichung von 1–4096 endlichen Zahlen innerhalb ±10^100.
● ● ●MedianRove●
Arbeitsabläufe · Unskalierte mediane absolute Abweichung ×
import math
def median_deviation(values):
if type(values) is not list or not 1 <= len(values) <= 4096:
raise ValueError("mad.input")
if any(type(x) not in (int, float) or not -10**100 <= x <= 10**100 or not math.isfinite(x) for x in values):
raise ValueError("mad.value")
def median(items):
ordered = sorted(items)
n = len(ordered)
return float(ordered[n//2]) if n % 2 else ordered[n//2-1]/2+ordered[n//2]/2
center = median(values)
return center, median([abs(x-center) for x in values])
✳Unskalierte mediane absolute Abweichung
✓ ÄnderungenVor dem Anwenden prüfen ↗
Illustration der Arbeitsumgebung
Projekt
Teste gerade Längen, gleiche Werte und einen Ausreißer, lehne boolesche oder nichtendliche Werte ohne Änderung der Eingabereihenfolge ab.
Vor dem Anwenden prüfen
Vergleichen Sie das tatsächliche Verhalten mit dem erwarteten Ergebnis. Klären Sie fehlgeschlagene Prüfungen vor weiteren Änderungen.
Arbeitsabläufe
import math
def median_deviation(values):
if type(values) is not list or not 1 <= len(values) <= 4096:
raise ValueError("mad.input")
if any(type(x) not in (int, float) or not -10**100 <= x <= 10**100 or not math.isfinite(x) for x in values):
raise ValueError("mad.value")
def median(items):
ordered = sorted(items)
n = len(ordered)
return float(ordered[n//2]) if n % 2 else ordered[n//2-1]/2+ordered[n//2]/2
center = median(values)
return center, median([abs(x-center) for x in values])
Statistische Hilfsfunktionen die beabsichtigte Größe ausgeben lassen
Zwei Funktionen können beide beanspruchen, Streuung zu messen, und dennoch Größen mit unterschiedlicher Bedeutung zurückgeben. MedianRove ist KI-Programmiersoftware für Windows zur Prüfung solcher Unterschiede in Ihrem Projekt. Nehmen Sie Hilfsfunktion, Aufrufer und einen kleinen Referenzdatensatz in das Gespräch auf, damit eine vorgeschlagene Änderung die tatsächlich verwendete statistische Größe bewahrt.
Eine praktische Aufgabe ist die Untersuchung einer unskalierten medianen absoluten Abweichung. Lassen Sie das verbundene Modell die Mediankonvention für Eingaben gerader Länge und die Behandlung eines Ausreißers untersuchen. Geben Sie an, ob eine Skalierung an anderer Stelle der Anwendung erfolgt, damit die Prüfung nicht stillschweigend unter demselben Funktionsnamen eine andere Ausgabe einführt.
Verfolgen Sie das Ergebnis bis zur Anzeige, zu Schwellenwerten oder gespeicherten Datensätzen. Eine numerische Änderung kann Entscheidungen jenseits der Hilfsfunktion beeinflussen, selbst wenn der Rückgabetyp gleich bleibt. Prüfen Sie Endlichkeitsprüfungen und den zulässigen Größenbereich und führen Sie unabhängig überprüfte Testfälle in Ihrer Laufzeitumgebung aus. Prüfen Sie auch die Eingabereihenfolge, falls der Aufrufer erwartet, dass seine ursprüngliche Sammlung unverändert bleibt.
MedianRove verbindet sich mit unterstützten OpenAI-kompatiblen oder Anthropic-Endpunkten. Ein abliteriertes KI-Modell ist wählbar, wenn Ihr Dienst eines anbietet; Verhalten und Werkzeugunterstützung bestimmen Modell und Server. Seine Erklärungen unterstützen die Prüfung; Ihre Datensatzerwartungen und Projekttests bestimmen, ob der Patch geeignet ist.
Die beabsichtigte statistische Größe ausgeben – Fragen vor der Änderung
Warum unskalierte Abweichung in der Anfrage angeben?
Skalierung verändert die zurückgegebene Größe und kann nachgelagerte Schwellenwerte beeinflussen. Geben Sie an, welche Statistik die Hilfsfunktion verspricht, und prüfen Sie Aufrufer auf zusätzliche Umwandlungen. Ein Refactoring sollte nicht stillschweigend die Interpretation ändern und dabei denselben Namen behalten.
Welcher Datensatz macht die Ausreißerdiskussion konkret?
Verwenden Sie eine kurze Menge mit klarer zentraler Gruppe und einem entfernten Wert sowie unabhängig berechnetem Median und Abweichung. Ergänzen Sie einen Fall gerader Länge, um die Mediankonvention sichtbar zu machen. Verlassen Sie sich nicht allein auf Zufallsdaten.
Darf Sortieren die Eingabe verändern?
Legen Sie diese Eigentumsregel ausdrücklich fest. Wenn Aufrufer die ursprüngliche Reihenfolge weiterverwenden, kann eine Sortierung an Ort und Stelle einen unabhängigen Fehler verursachen. Prüfen Sie die Implementierung sowie nach der Ausführung die Eingabe und die zurückgegebene Statistik.
Welche ungültigen Werte sollte die Prüfung berücksichtigen?
Verwenden Sie den festgelegten Vertrag der Hilfsfunktion für Typen, Größe und endliche Zahlen. Lassen Sie das Modell jede Grenze bewahren oder bewusst ändern und testen Sie anschließend Zurückweisung und Aufruferbehandlung. Nehmen Sie nicht an, dass eine plausible Statistik fehlerhafte Eingaben akzeptabel macht.
MedianRove · Aktualisiert 2026-10-25