Nr. 01Bl. 1 / 12
Statistik
- stats.median
- stats.quantile
- regression.ols_multiple
Die Rechenebene
445 Module.
Eine fixierte Laufzeit.
SQAIs Rechenebene ist eine Bibliothek kompilierter Kernel: von Statistik über Optionspreisberechnung bis zur LLM-Infrastruktur — jede Funktion typisiert im Vertrag mit 4.778 Fähigkeiten. Ein Agent benennt eine Funktion. Die Engine liefert das Ergebnis — warm, in unter einer Millisekunde.
445Module
100+angewandte Pakete
4.778Fähigkeiten im Vertrag
0,83–0,93 mswarme Rechenzeit, gemessen
IIDas Musterbuch
Zwölf Familien, gesetzt.
Lesen Sie die Bibliothek wie ein Schriftmusterbuch: jede Familie eine Seite, jede Funktion ein Schnitt. Jeder Name auf diesen Seiten ist real — typisiert im Vertrag, geprüft vor der Ausführung, gehasht danach.
Nr. 02Bl. 2 / 12
Hypothesentests
- stat_tests.pearson_r
- ab_testing.sample_size_proportion
Nr. 03Bl. 3 / 12
Wahrscheinlichkeit
- distributions.sample_normal
- distributions.sample_poisson
Nr. 04Bl. 4 / 12
Zeitreihen
- timeseries_stats.holt_linear
- timeseries_stats.acf
Nr. 05Bl. 5 / 12
Lineare Algebra
- linalg.mat_inv
- matrix_decomp.cholesky
Nr. 06Bl. 6 / 12
Optimierung
- root_finding.newton_raphson
- integrate.simpson
- operations_research.eoq_quantity
Nr. 07Bl. 7 / 12
Finanzen & Risiko
- finance.npv
- finance.irr
- finance.cagr
- finance.max_drawdown
- risk.beta
- risk.conditional_var
Nr. 08Bl. 8 / 12
Optionspreisberechnung
- option_pricing.black_scholes_call
- option_pricing.black_scholes_put
- option_pricing.implied_volatility
Nr. 09Bl. 9 / 12
Maschinelles Lernen
- ml.classifiers.knn_predict
- ml.classifiers.logistic_predict
- ml.clustering.kmeans_fit
Nr. 10Bl. 10 / 12
Signal
- fft.power_spectrum
- wavelet.denoise_haar
Nr. 11Bl. 11 / 12
Informationstheorie
- information_theory.entropy
- information_theory.kl_divergence
Nr. 12Bl. 12 / 12
LLM-Infrastruktur
- flash_attention.flash_block_output
- kv_cache.incremental_decode_kv_append
- rag_retrieval.bm25_term_score
Der Setzkasten — angewandte Pakete
Aktuarwesen → Weinbau
- 01Aktuarwesen
- 02Luft- und Raumfahrt
- 03Epidemiologie
- 04Hydrologie
- 05Pharmakokinetik
- 06Robotik
- 07Seismologie
- 08Thermodynamik
- 09Weinbau
- 100+angewandte Pakete im Kasten — neun Schubladen hier geöffnet. Jedes antwortet auf denselben Vertrag: dieselben Richtlinienprüfungen, dieselbe Provenienz-Hülle.
IIIDer Druckbogen
Kompilierte Geschwindigkeit. Bewiesene Genauigkeit.
Hinter jeder Familie: handoptimierte Kernel, vorab kompiliert. Determinismus kostet hier nichts — float64, Einzelthread, und dennoch um Größenordnungen schneller als interpretierte Baselines.
Tempo
91.86×medianer Speedup gegenüber interpretierten Baselines
- 111,24× Mittelwert · 1.593× maximaler Speedup
- gemessen über 4.207 verglichene Funktionen auf dem öffentlichen Scorecard
- 0,83–0,93 ms warme Rechenzeit · sub-ms Abfrageebene
Genauigkeit
0Abweichungen über 2.744 Korrektheitsprüfungen
- 2.458 Fuzz-Prüfungen über 800+ Datensätze und 8 Verteilungen
- 232 Grenzfälle · 54 Suite-Prüfungen · bitgenaue Sortierung
- maximaler numerischer Fehler: 1.8e-15
0/16 → 16/16gleiches Modell, Engine rechnet
Die Genauigkeit im A/B-Vergleich: Dasselbe Modell beantwortet 16 quantitative Fragen. Allein rechnend erzielt es 0/16. Mit der Engine, die die Berechnungen übernimmt, 16/16.
~110 Sekunden einmalig.
0,83–0,93 ms danach.
herunterladen · prüfen · fixieren — dann ist es reine Arithmetik
~110 seinmalige Bereitstellung — herunterladen, prüfen, fixieren
0,83–0,93 mswarme Berechnung, gemessen
sub-msQuery-Ebene, jede Antwort
VDer gemessene Lauf
Ein Aufruf, Beleg inklusive.
Eine echte Berechnung, von Anfang bis Ende. Derselbe Aufruf liefert denselben Wert und denselben Hash in TypeScript und Python — und die ausführende Runtime lässt sich auf genau die Module reduzieren, die Sie ausliefern.
gemessener Lauf — finance.npv
Aufruf
finance.npv(0.1, [-1000, 300, 420, 560, 680])Wert
505.020148896933identisch in TypeScript und PythonDauer
0.83 mswarmcomputation_hash
b74f67d0d7a594aa7ac91f6291612452aa8ccdf603351ebc8d801a6fddd91bc8Eine Zahl, die man nachvollziehen kann — nicht nur lesen.
Nur ausliefern, was Sie verwenden.
Eine Umgebungsvariable bestimmt, was der Build-Dienst kompiliert.
- SQAI_RUNTIME_MODULES
- Benennen Sie die Module, die Ihr Produkt benötigt. Nur diese gehen in den Build ein.
- POST /v1/runtime/build
- Der Build-Dienst kompiliert bei der Bereitstellung eine Runtime, die genau diesem Filter entspricht.
- filter-hash
- Bundles sind durch den Filter verschlüsselt. Derselbe Filter ergibt stets dasselbe Bundle.
Discovery bleibt im Prozess.
Agenten erraten die Oberfläche nicht — sie durchsuchen sie, lokal.
- searchCapabilities
- Durchsucht den im Paket eingebetteten Vertrag. Im Prozess — kein Netzwerkaufruf.
- unsupported_operation
- Ein unbekannter Name wird mit einem strukturierten Fehler abgelehnt, ergänzt durch nearest_matches zur Korrektur.
VIFragen
Die Feinheiten.
Wie schnell ist die Berechnung wirklich?
Die erste Berechnung stellt die fixierte Runtime bereit — einmalig etwa 110 Sekunden. Danach beträgt die gemessene Warmlatenz 0,83–0,93 ms pro Berechnung, und die Query-Ebene antwortet in unter einer Millisekunde.
Kann ich eine kleinere Runtime ausliefern?
Ja. Setzen Sie SQAI_RUNTIME_MODULES, und die Runtime wird bei der Bereitstellung auf diesen Filter zugeschnitten. Bundles sind durch den Hash des Filters verschlüsselt, sodass derselbe Filter stets dasselbe Bundle reproduziert.
Sind Ergebnisse wirklich sprachübergreifend identisch?
Konstruktionsbedingt ja. Kernel laufen in float64 auf einem einzelnen Thread, und Ergebnisse werden über canonical JSON gehasht. finance.npv(0.1, [-1000, 300, 420, 560, 680]) liefert 505.020148896933 mit demselben computation_hash in TypeScript und Python.
Woher weiß ein Agent, was er berechnen kann?
Er sucht. searchCapabilities läuft im Prozess über den im Paket eingebetteten Vertrag, und ein unbekannter Funktionsname gibt unsupported_operation mit nearest_matches zurück — niemals eine Vermutung.
Das vollständige Exemplar lesen.
Deterministisch by constructionSo funktioniert esDaten verbinden