№ 01fol. 1 / 12
Estadística
- stats.median
- stats.quantile
- regression.ols_multiple
El plano de cómputo
445 módulos.
Un runtime fijado.
El plano de cómputo de SQAI es una biblioteca de kernels compilados: de estadística a valoración de opciones e infraestructura LLM, cada función tipada en el contrato de 4.778 capacidades. Un agente nombra una función. El motor devuelve el número — en caliente, en menos de un milisegundo.
445módulos
100+paquetes aplicados
4.778capacidades en el contrato
0,83–0,93 mscómputo en caliente, medido
IIEl libro de muestras
Doce familias, compuestas en tipo.
Recorra la biblioteca como un muestrario tipográfico: cada familia, una página; cada función, un cuerpo. Todos los nombres aquí son reales — tipados en el contrato, verificados antes de ejecutarse, firmados después.
№ 02fol. 2 / 12
Contraste de hipótesis
- stat_tests.pearson_r
- ab_testing.sample_size_proportion
№ 03fol. 3 / 12
Probabilidad
- distributions.sample_normal
- distributions.sample_poisson
№ 04fol. 4 / 12
Series temporales
- timeseries_stats.holt_linear
- timeseries_stats.acf
№ 05fol. 5 / 12
Álgebra lineal
- linalg.mat_inv
- matrix_decomp.cholesky
№ 06fol. 6 / 12
Optimización
- root_finding.newton_raphson
- integrate.simpson
- operations_research.eoq_quantity
№ 07fol. 7 / 12
Finanzas y riesgo
- finance.npv
- finance.irr
- finance.cagr
- finance.max_drawdown
- risk.beta
- risk.conditional_var
№ 08fol. 8 / 12
Valoración de opciones
- option_pricing.black_scholes_call
- option_pricing.black_scholes_put
- option_pricing.implied_volatility
№ 09fol. 9 / 12
Aprendizaje automático
- ml.classifiers.knn_predict
- ml.classifiers.logistic_predict
- ml.clustering.kmeans_fit
№ 10fol. 10 / 12
Señal
- fft.power_spectrum
- wavelet.denoise_haar
№ 11fol. 11 / 12
Teoría de la información
- information_theory.entropy
- information_theory.kl_divergence
№ 12fol. 12 / 12
Infraestructura LLM
- flash_attention.flash_block_output
- kv_cache.incremental_decode_kv_append
- rag_retrieval.bm25_term_score
La caja tipográfica — paquetes aplicados
actuarial → viticultura
- 01actuarial
- 02aeroespacial
- 03epidemiología
- 04hidrología
- 05farmacocinética
- 06robótica
- 07sismología
- 08termodinámica
- 09viticultura
- 100+paquetes aplicados en la caja — nueve cajones mostrados aquí. Todos responden bajo el mismo contrato: mismas verificaciones de política, mismo sobre de procedencia.
IIILa impresión
Velocidad compilada. Precisión demostrada.
Detrás de cada familia: kernels optimizados a mano, compilados por adelantado. El determinismo no tiene coste aquí — float64, hilo único, y aun así más rápido que las referencias interpretadas por órdenes de magnitud.
Velocidad
91.86×aceleración mediana frente a referencias interpretadas
- 111,24× media · 1.593× aceleración máxima
- medido sobre 4.207 funciones comparadas en el marcador público
- 0,83–0,93 ms cómputo en caliente · plano de consulta sub-ms
Precisión
0discrepancias en 2.744 verificaciones de corrección
- 2.458 pruebas fuzz sobre 800+ conjuntos de datos y 8 distribuciones
- 232 casos límite · 54 verificaciones de suite · ordenación bit exacta
- error numérico máximo: 1.8e-15
0/16 → 16/16mismo modelo, motor computando
La precisión A/B: el mismo modelo responde 16 preguntas cuantitativas. Computando solo, obtiene 0/16. Con el motor ejecutando los cálculos, 16/16.
~110 segundos, una vez.
0.83–0.93 ms después.
descarga · verificación · fijación — luego es solo aritmética
~110 saprovisionamiento único — descarga, verificación, fijación
0.83–0.93 mscómputo en caliente, medido
sub-msplano de consulta, cada respuesta
VLa ejecución medida
Una llamada, recibo incluido.
Un cómputo real, de extremo a extremo. La misma llamada devuelve el mismo valor y el mismo hash en TypeScript y Python — y el runtime que lo ejecuta puede construirse con exactamente los módulos que se despliegan.
ejecución medida — finance.npv
llamada
finance.npv(0.1, [-1000, 300, 420, 560, 680])valor
505.020148896933idéntico en TypeScript y Pythontiempo
0.83 msen calientecomputation_hash
b74f67d0d7a594aa7ac91f6291612452aa8ccdf603351ebc8d801a6fddd91bc8Un número que se puede reproducir, no solo leer.
Despliega solo lo que usas.
Una variable de entorno decide qué compila el servicio de construcción.
- SQAI_RUNTIME_MODULES
- Nombra los módulos que tu producto necesita. Solo esos entran en la construcción.
- POST /v1/runtime/build
- El servicio de construcción compila un runtime ajustado exactamente a ese filtro, en el aprovisionamiento.
- filter-hash
- Los bundles se identifican por él. El mismo filtro siempre resuelve al mismo bundle.
El descubrimiento ocurre en proceso.
Los agentes no adivinan la superficie — la buscan, localmente.
- searchCapabilities
- Busca en el contrato embebido en el paquete. En proceso — sin llamada de red.
- unsupported_operation
- Un nombre desconocido se rechaza con un error estructurado, más nearest_matches para corregir el rumbo.
VIPreguntas
Los detalles.
¿Qué tan rápido es el cómputo, realmente?
El primer cómputo aprovisiona el runtime fijado — unos 110 segundos, una vez. Después, la latencia en caliente medida es de 0.83–0.93 ms por cómputo, y el plano de consulta responde en menos de un milisegundo.
¿Puedo desplegar un runtime más pequeño?
Sí. Define SQAI_RUNTIME_MODULES y el runtime se construye con ese filtro en el aprovisionamiento. Los bundles se identifican por el hash del filtro, de modo que el mismo filtro reproduce el mismo bundle.
¿Son los resultados realmente idénticos entre lenguajes?
Por construcción. Los kernels operan en float64 en un único hilo, y los resultados se hashean sobre canonical JSON. finance.npv(0.1, [-1000, 300, 420, 560, 680]) devuelve 505.020148896933 con el mismo computation_hash en TypeScript y Python.
¿Cómo sabe un agente qué puede computar?
Buscando. searchCapabilities se ejecuta en proceso sobre el contrato embebido en el paquete, y un nombre de función desconocido devuelve unsupported_operation con nearest_matches — nunca una suposición.