Chrome 145: Math.sumPrecise - точные суммы для финансов и ML в JavaScript

hannadev

Chrome 145 принес новый метод Math.sumPrecise(), который решает проблему неточных сумм в JavaScript. Он работает с iterable чисел и возвращает сумму без потерь точности от промежуточных вычислений. Это важно для финансовых расчетов и машинного обучения, где погрешности floating point могут искажать данные.

Обычное сложение в цикле или через reduce() накапливает ошибки округления. Например, сумма [1e20, 0.1, -1e20] дает 0 вместо 0.1. Math.sumPrecise() использует продвинутый алгоритм, чтобы избежать этого. Теперь разработчики получают точные результаты без самописных решений.

Что такое Math.sumPrecise и почему он нужен

JavaScript использует 64-битные числа с плавающей запятой IEEE 754. Они не могут точно представить многие десятичные дроби, как 0.1 или 0.2. При суммировании ошибки накапливаются: 0.1 + 0.2 дает 0.30000000000000004 вместо 0.3. В финансовых приложениях это приводит к расхождениям в копейках, а в ML - к неверным весам моделей.

Метод Math.sumPrecise() принимает iterable (массив, Set или генератор) и суммирует элементы с высокой точностью. Он медленнее обычного сложения, но точнее. Это статический метод Math, вызывается как Math.sumPrecise([1, 2, 3]). Алгоритм минимизирует потерю точности в промежуточных шагах, группируя мелкие и крупные числа.

Вот классический пример проблемы:

let sum = 0;
const numbers = [1e20, 0.1, -1e20];
for (const number of numbers) {
  sum += number;
}
console.log(sum); // 0 вместо 0.1

С Math.sumPrecise():

console.log(Math.sumPrecise([1e20, 0.1, -1e20])); // 0.1

Преимущество 1: Автоматически сортирует числа по модулю для компенсации ошибок.
Преимущество 2: Работает с любыми iterable, включая BigInt частично.
Преимущество 3: Не меняет исходные данные - чистая функция без мутаций.
Нюанс: Медленнее на больших массивах - используйте для точности, а не скорости.

Обычное сложение	Math.sumPrecise()
Быстрое	Медленнее
Потери точности	Высокая точность
Цикл или reduce()	Один вызов
Пример: 0	Пример: 0.1

Применение в финансовых расчетах

В финтехе суммы транзакций должны быть точными до копейки. Обычные циклы дают расхождения при курсах валют или процентах. Math.sumPrecise() позволяет суммировать списки цен без ошибок. Представьте корзину покупок с тысячами позиций - итоговая сумма будет верной.

Другой кейс - начисление процентов по вкладам. Малые добавки за день накапливаются годами, и погрешность растет. Метод решает это, используя compensated summation. В коде это упрощает валидацию: сумма всех платежей равна балансу.

Практические примеры:

const transactions = [100.1, 200.2, -150.05];
const total = Math.sumPrecise(transactions); // Точно 150.25

Для валют:

const rates = [1.2345, 0.9876, 1.1123];
const sumRates = Math.sumPrecise(rates); // Без накопленных ошибок

Кейс 1: Сумма комиссий в торговом боте - точность до 8 знаков.
Кейс 2: Агрегация отчетов по кварталам - миллиарды без потерь.
Кейс 3: Конвертация валют с динамическими курсами.
Совет: Комбинируйте с BigDecimal библиотеками для сверхточности.

Сценарий	Проблема без метода	Решение с Math.sumPrecise
Транзакции	Расхождение в копейках	Точная сумма
Проценты	Накопление ошибок	Compensated алгоритм
Отчеты	Различия в Excel	Совпадение с сервером

Math.sumPrecise в машинном обучении

В ML данные часто включают floats с градиентами и весами. Суммирование батчей может искажать loss function. Math.sumPrecise() дает стабильные результаты при обучении моделей в браузере, как в TensorFlow.js. Это критично для edge-вычислений на устройствах.

При агрегации фич или loss по эпохам погрешность влияет на сходимость. Метод обеспечивает воспроизводимость: один и тот же датасет дает одинаковые метрики. В реальном проекте - сумма вероятностей в softmax без артефактов.

Код для градиентов:

const gradients = [0.0001, -0.0002, 0.00015];
const totalGrad = Math.sumPrecise(gradients); // Точно без rounding

Для loss:

const losses = [0.123, 0.456, 0.789];
const avgLoss = Math.sumPrecise(losses) / losses.length;

Кейс 1: Сумма ошибок в батче - стабильная оптимизация.
Кейс 2: Нормализация фич - точные коэффициенты.
Кейс 3: Веб-ML на мобильных - меньше артефактов.
Нюанс: На больших датасетах тестируйте производительность.

Задача ML	Обычный reduce()	Math.sumPrecise()
Loss aggregation	Нестабильная сходимость	Воспроизводимо
Gradient sum	Погрешность в 1e-10	Точность до 1e-16
Feature scaling	Искажения	Линейность

Поддержка и переход на новый метод

Chrome 145 первым внедрил Math.sumPrecise() в начале 2026. Firefox 137 и Safari 26.2 последуют позже. Проверяйте поддержку через feature detection. Пока используйте полифиллы из core-js для кросс-браузерности.

В проектах замените reduce() на новый метод в финансовых модулях. Тестируйте на реальных данных - разница видна сразу. Для legacy-кода оставьте фоллбэк.

if (typeof Math.sumPrecise === 'function') {
  return Math.sumPrecise(numbers);
} else {
  // Полифилл или старый reduce
}

Браузеры: Chrome 145+, Firefox 137+, Safari 26.2+.
Полифилл: core-js/actual/Math.sumPrecise.
Тест: Сравните с ручным BigDecimal.

Метод не решает все проблемы float, но упрощает жизнь. Дальше ждем Number.fromString и другие точные API. Стоит поэкспериментировать в прототипах.