根本原因是浮点数在二进制中无法精确表示十进制小数（如0.1），累加时持续发生对阶与舍入误差，导致实际值偏离理论值；用==直接比较必然失效，应改用带容差的误差判断。
直接说结论：float 循环累加后出现 1.0f != 1.0f 这种看似荒谬的判断失败，根本原因不是“值变了”，而是你正在用 == 比较两个本就不该用等号判相等的浮点数——它大概率在某次累加后实际存的是 0.99999994f 或 1.00000012f，而你没意识到。
为什么 float 累加后连 1.0 都不等于 1.0？
这不是 bug，是 IEEE 754 单精度浮点数的必然行为。比如 0.1f 在二进制里是无限循环小数，存储时被截断；每次 += 都要经历对阶、尾数舍入，小误差逐步累积。100 次 0.01f 累加，结果常为 0.99997f 而非 1.0f。此时 sum == 1.0f 必然为 false。
常见错误现象：
- 循环计数器用
float i = 0.0f; i += 0.1f，想在i == 1.0f时 break，结果死循环或提前跳出 - UI 上显示“进度 100%”，但后台
progress == 1.0f始终不成立，导致动画卡在 99.9% - 单元测试断言
assert(a == b)随机失败，尤其在不同编译器或优化等级下
别用 == 判 float 相等，改用误差容忍比较
这是最通用、最低成本、也最该养成的习惯。核心是把“是否完全相等”换成“是否足够接近”。
实操建议：
- 定义一个合理容差，如
const float EPS = 1e-5f（对大多数 UI/控制逻辑够用） - 用
fabsf(a - b) 替代 <code>a == b，C/C++ 中需包含<math.h> - 若涉及大数值累加（如总和达 1e6），容差应随量级放大，例如用相对误差：
fabsf(a - b) - JavaScript 中直接用
Math.abs(a - b) ，注意不要用 <code>toFixed后比字符串——那掩盖了问题，且parseFloat('1.00')仍可能不精确
Kahan summation 是唯一能真正“修复”累加值的方法
如果你的场景必须让最终累加结果数学上正确（比如金融累计、物理仿真步进），就不能只靠容忍比较——得从源头减少误差。Kahan 算法用一个补偿变量 c 捕获每次加法丢失的低位，把它带入下一轮计算。
标准 C 实现片段：
float kahan_sum(const float *input, int n) {
float sum = 0.0f;
float c = 0.0f; // 补偿项
for (int i = 0; i < n; i++) {
float y = input[i] - c;
float t = sum + y;
c = (t - sum) - y;
sum = t;
}
return sum;
}关键点：
- 它不改变单次加法的精度，但让 N 次累加的总误差基本与 N 无关（O(1) 级别）
- 比 double 方案省内存，适合嵌入式或 GPU shader 中不能用 double 的环境
- 不要手动内联或让编译器过度优化
c = (t - sum) - y这行，某些 aggressive 优化会破坏补偿逻辑
什么时候该换 double，什么时候不该？
很多人第一反应是“全改成 double”，但它不是银弹。
适用场景：
- 中间计算量不大（
- 你只是想快速验证逻辑，避免被 float 误差干扰调试节奏
- 输入本身来自
double精度源（如 GPS 时间戳、科学仪器读数）
不适用场景：
- GPU 计算中强制用
double可能降速 2–10 倍（尤其在消费级显卡） - 嵌入式系统 RAM 紧张，
double占两倍空间，cache miss 显著增加 - 你最终要写回
float缓冲区（如 OpenGL 顶点属性），那中间用double只是白忙一场
真正容易被忽略的点是：误差不是“会不会有”，而是“在哪爆发”。一次 float 累加可能只差 1e-7，但当它作为数组索引、条件分支阈值、或传给 sqrtf() 这类函数时，微小偏差会被急剧放大——这时候，光靠容差比较已经不够，得回到算法层重审数据流。
