O plano de computação

445 módulos.
Um runtime fixado.

O plano de computação do SQAI é uma biblioteca de kernels compilados: de estatística a precificação de opções e infraestrutura de LLM, cada função tipada no contrato de 4.778 capacidades. Um agente nomeia uma função. O motor devolve o número — aquecido, em menos de um milissegundo.

445módulos
100+pacotes aplicados
4.778capacidades no contrato
0,83–0,93 mscomputação aquecida, medida

IIO livro de espécimes

Doze famílias, compostas em tipo.

Leia a biblioteca como um espécime tipográfico: cada família, uma página; cada função, um tipo. Todos os nomes nestas páginas são reais — tipados no contrato, verificados antes de executar, assinados depois.

№ 01fol. 1 / 12

Estatística

  • stats.median
  • stats.quantile
  • regression.ols_multiple

№ 02fol. 2 / 12

Testes de hipótese

  • stat_tests.pearson_r
  • ab_testing.sample_size_proportion

№ 03fol. 3 / 12

Probabilidade

  • distributions.sample_normal
  • distributions.sample_poisson

№ 04fol. 4 / 12

Séries temporais

  • timeseries_stats.holt_linear
  • timeseries_stats.acf

№ 05fol. 5 / 12

Álgebra linear

  • linalg.mat_inv
  • matrix_decomp.cholesky

№ 06fol. 6 / 12

Otimização

  • root_finding.newton_raphson
  • integrate.simpson
  • operations_research.eoq_quantity

№ 07fol. 7 / 12

Finanças e risco

  • finance.npv
  • finance.irr
  • finance.cagr
  • finance.max_drawdown
  • risk.beta
  • risk.conditional_var

№ 08fol. 8 / 12

Precificação de opções

  • option_pricing.black_scholes_call
  • option_pricing.black_scholes_put
  • option_pricing.implied_volatility

№ 09fol. 9 / 12

Aprendizado de máquina

  • ml.classifiers.knn_predict
  • ml.classifiers.logistic_predict
  • ml.clustering.kmeans_fit

№ 10fol. 10 / 12

Sinal

  • fft.power_spectrum
  • wavelet.denoise_haar

№ 11fol. 11 / 12

Teoria da informação

  • information_theory.entropy
  • information_theory.kl_divergence

№ 12fol. 12 / 12

Infraestrutura de LLM

  • flash_attention.flash_block_output
  • kv_cache.incremental_decode_kv_append
  • rag_retrieval.bm25_term_score

O caixotim — pacotes aplicados

atuarial → viticultura

  • 01atuarial
  • 02aeroespacial
  • 03epidemiologia
  • 04hidrologia
  • 05farmacocinética
  • 06robótica
  • 07sismologia
  • 08termodinâmica
  • 09viticultura
  • 100+pacotes aplicados no caixotim — nove gavetas abertas aqui. Cada um responde pelo mesmo contrato: mesmas verificações de política, mesmo envelope de proveniência.

IIIA impressão

Velocidade compilada. Precisão comprovada.

Por trás de cada família: kernels otimizados à mão, compilados antecipadamente. O determinismo não tem custo aqui — float64, thread único, e ainda mais rápido que as baselines interpretadas por ordens de magnitude.

Velocidade

91.86×aceleração mediana vs. baselines interpretadas

  • 111,24× média · 1.593× aceleração máxima
  • medido em 4.207 funções comparadas no scorecard público
  • 0,83–0,93 ms computação aquecida · plano de consulta sub-ms

Precisão

0divergências em 2.744 verificações de correção

  • 2.458 verificações fuzz em 800+ conjuntos de dados e 8 distribuições
  • 232 casos extremos · 54 verificações de suite · ordenação bit a bit exata
  • erro numérico máximo: 1.8e-15
0/16 → 16/16mesmo modelo, engine computando

A precisão A/B: o mesmo modelo responde 16 questões quantitativas. Computando sozinho, acerta 0/16. Com a engine executando os cálculos, 16/16.

~110 segundos, uma vez.
0,83–0,93 ms depois.

download · verificação · fixação — depois é só aritmética

~110 sprovisionamento único — download, verificação, fixação
0,83–0,93 mscompute aquecido, medido
sub-msplano de consulta, cada resposta

VA execução medida

Uma chamada, recibo incluso.

Uma computação real, de ponta a ponta. A mesma chamada retorna o mesmo valor e o mesmo hash em TypeScript e Python — e o runtime que a executa pode ser compilado com exatamente os módulos que você entrega.

execução medida — finance.npv

chamadafinance.npv(0.1, [-1000, 300, 420, 560, 680])
valor505.020148896933idêntico em TypeScript e Python
tempo decorrido0.83 msaquecido
computation_hashb74f67d0d7a594aa7ac91f6291612452aa8ccdf603351ebc8d801a6fddd91bc8

Um número que você pode reproduzir, não apenas ler.

Entregue só o que você usa.

Uma variável de ambiente decide o que o serviço de build compila.

SQAI_RUNTIME_MODULES
Nomeie os módulos que seu produto precisa. Só eles entram no build.
POST /v1/runtime/build
O serviço de build compila um runtime exatamente para esse filtro, no provisionamento.
filter-hash
Os bundles são indexados por ele. O mesmo filtro sempre resolve para o mesmo bundle.

A descoberta permanece em processo.

Agentes não adivinham a superfície — eles a pesquisam, localmente.

searchCapabilities
Pesquisa o contrato embutido no pacote. Em processo — sem chamada de rede.
unsupported_operation
Um nome desconhecido é recusado com um erro estruturado, mais nearest_matches para corrigir o curso.

VIPerguntas

Os detalhes.

Quão rápido é o compute, de verdade?

A primeira computação provisiona o runtime fixado — cerca de 110 segundos, uma vez. Depois disso, a latência aquecida medida é de 0,83–0,93 ms por computação, e o plano de consulta responde em menos de um milissegundo.

Posso entregar um runtime menor?

Sim. Defina SQAI_RUNTIME_MODULES e o runtime será compilado para esse filtro no provisionamento. Os bundles são indexados pelo hash do filtro, então o mesmo filtro reproduz o mesmo bundle.

Os resultados são realmente idênticos entre linguagens?

Por construção. Os kernels rodam em float64 em uma única thread, e os resultados são hasheados sobre canonical JSON. finance.npv(0.1, [-1000, 300, 420, 560, 680]) retorna 505.020148896933 com o mesmo computation_hash em TypeScript e Python.

Como um agente sabe o que pode computar?

Ele pesquisa. searchCapabilities roda em processo sobre o contrato embutido no pacote, e um nome de função desconhecido retorna unsupported_operation com nearest_matches — nunca uma suposição.

Leia o specimen completo.

Ler a documentação →

Determinístico por construçãoComo funcionaConecte seus dados