float稳定保留6～7位有效数字，double为15～16位；尾数位宽决定精度上限，float误差累积快，double更适合高精度科学计算。
浮点型 float 和 double 在科学计算中的精度差异，核心在于它们能**稳定保留多少位有效数字**，而不是“能不能算对”某个简单小数。
有效数字位数决定误差边界
float 最多可靠表示 6～7 位十进制有效数字；double 则是 15～16 位。这意味着：
- 若一个物理常数是 6.62607015×10⁻³⁴（普朗克常数），用 float 存储后，第 7 位以后的数字就可能被截断或四舍五入，实际参与计算的是近似值；
- 而 double 能完整容纳前 15 位，误差通常控制在 10⁻¹⁶ 量级，更适合迭代、微分、矩阵求逆等易放大误差的运算。
尾数位宽直接限制分辨能力
IEEE 754 规定：
- float 尾数（含隐含位）共 24 位二进制 → 对应约 log₁₀(2²⁴) ≈ 7.2 位十进制数字；
- double 尾数共 53 位二进制 → 对应约 log₁₀(2⁵³) ≈ 15.9 位十进制数字。
举个直观例子：整数 20014999，在 double 中可精确表示；但 float 因尾数只有 23 位显式存储空间，无法区分它和相邻整数，最终存成近似值 20015000 或 20014998。
误差会随计算步骤指数级累积
科学计算常含上百次加减乘除或循环迭代。每次浮点运算都引入舍入误差，而 float 的单次误差上限比 double 高约 2²³ 倍（即约 10⁷ 倍）。多次运算后：
- float 可能使结果相对误差突破 0.1%，尤其在病态方程、特征值求解中明显；
- double 通常把累计误差压在 10⁻¹³ 以内，更接近理论值。
不是“double 一定更好”，而是看需求是否越界
如果模型本身误差（如实验测量误差、离散化截断误差）已达 10⁻⁶，那用 double 并不会提升整体可信度；但若涉及长时间轨道模拟、量子化学电子密度迭代、或金融高频复利计算，少一位有效数字就可能导致结果偏离物理现实。
