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.
Verknüpfen Sie in ByteVesper Bytehäufigkeiten mit Wahrscheinlichkeitsbeiträgen und dem Ergebnis in Bits pro Byte.
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.
Wählen Sie einen Ordner und lassen Sie die betreffenden Dateien vor einer Änderung lesen. Legen Sie Ziel und Grenzen der Aufgabe fest.
Prüfen Sie Änderungen und Befehlsausgaben. Führen Sie die Projektprüfungen aus, bevor Sie das Ergebnis übernehmen; erzeugter Code ist nicht automatisch getestet.
from collections import Counter
from math import log2
def byte_entropy(data):
if not isinstance(data, bytes) or len(data) > 65536:
raise ValueError("bytes.limit")
if not data:
return 0.0
n = len(data)
return sum((count / n) * log2(n / count) for count in Counter(data).values())