Python/ django
الذهاب إلى القناة على Telegram
по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
إظهار المزيد
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Python/ django
تُعد قناة Python/ django (@pythonl) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 58 578 مشتركاً، محتلاً المرتبة 2 247 في فئة التكنولوجيات والتطبيقات والمرتبة 10 312 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 58 578 مشتركاً.
بحسب آخر البيانات بتاريخ 26 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -159، وفي آخر 24 ساعة بمقدار -23، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.80%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.95% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 3 985 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 728 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 20.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل github, claude, контекст, архитектура, api.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“по всем вопросам @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 27 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
58 578
المشتركون
-2324 ساعات
+267 أيام
-15930 أيام
جارٍ تحميل البيانات
القنوات المماثلة
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=96&q=75){kind=small}
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أكتوبر '26أكتوبر '26
أكتوبر '26
+266
في 38 قنوات
سبتمبر '26
+149
في 30 قنوات
Get PRO
أغسطس '26
+336
في 41 قنوات
Get PRO
يوليو '26
+178
في 43 قنوات
Get PRO
يونيو '26
+66
في 1 قنوات
Get PRO
مايو '26
+73
في 1 قنوات
Get PRO
أبريل '26
+107
في 8 قنوات
Get PRO
مارس '26
+204
في 26 قنوات
Get PRO
فبراير '26
+363
في 51 قنوات
Get PRO
يناير '26
+982
في 111 قنوات
Get PRO
ديسمبر '25
+208
في 7 قنوات
Get PRO
نوفمبر '25
+486
في 47 قنوات
Get PRO
أكتوبر '25
+117
في 22 قنوات
Get PRO
سبتمبر '25
+3 917
في 181 قنوات
Get PRO
أغسطس '25
+924
في 18 قنوات
Get PRO
يوليو '25
+1 812
في 85 قنوات
Get PRO
يونيو '25
+1 488
في 93 قنوات
Get PRO
مايو '25
+249
في 7 قنوات
Get PRO
أبريل '25
+417
في 31 قنوات
Get PRO
مارس '25
+287
في 14 قنوات
Get PRO
فبراير '25
+527
في 45 قنوات
Get PRO
يناير '25
+2 105
في 56 قنوات
Get PRO
ديسمبر '24
+1 168
في 70 قنوات
Get PRO
نوفمبر '24
+3 786
في 192 قنوات
Get PRO
أكتوبر '24
+5 728
في 78 قنوات
Get PRO
سبتمبر '24
+2 068
في 207 قنوات
Get PRO
أغسطس '24
+1 164
في 43 قنوات
Get PRO
يوليو '24
+1 632
في 53 قنوات
Get PRO
يونيو '24
+1 751
في 58 قنوات
Get PRO
مايو '24
+1 467
في 39 قنوات
Get PRO
أبريل '24
+1 067
في 47 قنوات
Get PRO
مارس '24
+1 190
في 28 قنوات
Get PRO
فبراير '24
+1 611
في 8 قنوات
Get PRO
يناير '24
+1 605
في 49 قنوات
Get PRO
ديسمبر '23
+802
في 46 قنوات
Get PRO
نوفمبر '23
+4 375
في 51 قنوات
Get PRO
أكتوبر '23
+1 184
في 6 قنوات
Get PRO
سبتمبر '23
+1 766
في 0 قنوات
Get PRO
أغسطس '23
+2 630
في 1 قنوات
Get PRO
يوليو '23
+1 617
في 0 قنوات
Get PRO
يونيو '23
+1 711
في 0 قنوات
Get PRO
مايو '23
+988
في 0 قنوات
Get PRO
أبريل '23
+455
في 0 قنوات
Get PRO
مارس '23
+779
في 0 قنوات
Get PRO
فبراير '23
+692
في 0 قنوات
Get PRO
يناير '23
+603
في 0 قنوات
Get PRO
ديسمبر '22
+555
في 0 قنوات
Get PRO
نوفمبر '22
+610
في 0 قنوات
Get PRO
أكتوبر '22
+606
في 0 قنوات
Get PRO
سبتمبر '22
+704
في 0 قنوات
Get PRO
أغسطس '22
+607
في 0 قنوات
Get PRO
يوليو '22
+618
في 0 قنوات
Get PRO
يونيو '22
+670
في 0 قنوات
Get PRO
مايو '22
+909
في 0 قنوات
Get PRO
أبريل '22
+941
في 0 قنوات
Get PRO
مارس '22
+1 284
في 0 قنوات
Get PRO
فبراير '22
+1 131
في 0 قنوات
Get PRO
يناير '22
+680
في 0 قنوات
Get PRO
ديسمبر '21
+589
في 0 قنوات
Get PRO
نوفمبر '21
+594
في 0 قنوات
Get PRO
أكتوبر '21
+590
في 0 قنوات
Get PRO
سبتمبر '21
+565
في 0 قنوات
Get PRO
أغسطس '21
+603
في 0 قنوات
Get PRO
يوليو '21
+640
في 0 قنوات
Get PRO
يونيو '21
+604
في 0 قنوات
Get PRO
مايو '21
+557
في 0 قنوات
Get PRO
أبريل '21
+993
في 0 قنوات
Get PRO
مارس '21
+545
في 0 قنوات
Get PRO
فبراير '21
+668
في 0 قنوات
Get PRO
يناير '21
+826
في 0 قنوات
Get PRO
ديسمبر '20
+11 844
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 26 أكتوبر | +4 | |||
| 25 أكتوبر | +12 | |||
| 24 أكتوبر | +6 | |||
| 23 أكتوبر | +6 | |||
| 22 أكتوبر | +11 | |||
| 21 أكتوبر | +86 | |||
| 20 أكتوبر | +7 | |||
| 19 أكتوبر | +10 | |||
| 18 أكتوبر | +24 | |||
| 17 أكتوبر | +29 | |||
| 16 أكتوبر | +2 | |||
| 15 أكتوبر | +3 | |||
| 14 أكتوبر | +7 | |||
| 13 أكتوبر | +2 | |||
| 12 أكتوبر | +12 | |||
| 11 أكتوبر | +2 | |||
| 10 أكتوبر | +5 | |||
| 09 أكتوبر | +1 | |||
| 08 أكتوبر | +8 | |||
| 07 أكتوبر | +1 | |||
| 06 أكتوبر | +5 | |||
| 05 أكتوبر | +8 | |||
| 04 أكتوبر | +6 | |||
| 03 أكتوبر | 0 | |||
| 02 أكتوبر | 0 | |||
| 01 أكتوبر | +9 |
منشورات القناة
🐍 Когда стандартного `sqlite3` в Python становится мало, есть APSW.
Another Python SQLite Wrapper даёт доступ к полному C API SQLite из Python.
Что можно использовать:
• Виртуальные таблицы для подключения собственных источников данных.
• VFS для управления тем, как SQLite работает с файлами.
• Session API для записи и применения наборов изменений.
• Полнотекстовый поиск, JSON и передачу массивов через CArray.
• Синхронный код и поддержку асинхронных фреймворков.
Для обычных SQL-запросов встроенного
sqlite3 часто достаточно. APSW полезен, когда нужны расширенные возможности SQLite и более глубокий контроль над движком.
Установка: pip install apsw
https://github.com/rogerbinns/apsw| 2 |  Иногда самый честный ответ ИИ — «не знаю». Проблема в том, что он так не умеет.
Мы выпустили MCP‑сервер для API 2ГИС и поняли, что дать модели доступ к геоданным — это половина дела.
В новой статье на Хабре подробно разобрали, как работали над MCP, на какие грабли наступили и как всё же обучили не выдумывать адреса.
Другие инженерные инсайты от 2ГИС → в Telegram-канале RnD | 1 621 |
| 3 |  Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026)
Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/ | 2 178 |
| 4 |  Генерировать видео и менять происходящее текстовыми командами прямо на ходу - одна из возможностей LongLive от NVIDIA.
Сейчас репозиторий объединяет четыре исследовательских проекта:
- LongLive 1.0 - интерактивная генерация длинных видео: пользователь меняет промпты по мере появления кадров.
- LongLive 2.0 — инфраструктура обучения и генерации с квантизацией NVFP4 и распределением вычислений между GPU.
- LongLive-Plug — перенос возможностей, полученных при дистилляции базовой модели, на совместимые производные модели без повторного обучения.
- Long-WAM — модели для робототехники, которые используют визуальную историю при выборе действий. Есть обучение, тестирование и демонстрации на реальных роботах.
Для каждого направления опубликованы код, документация и веса моделей. Можно скачать только нужный проект.
Интересно, как здесь сходятся генерация видео и робототехника: модели должны учитывать предыдущие кадры и продолжать последовательность — визуальную сцену или действия робота.
Репозиторий для тех, кто исследует длинные видеопоследовательности, интерактивные миры и обучение роботов.
https://github.com/NVlabs/LongLive | 2 394 |
| 5 |  Нововведения Python 3.15 превратили в игру: чтобы пройти дальше, придётся писать код.
whatsnewt - терминальный квест от Барри Уорсо. Вы просыпаетесь внутри интерпретатора и проходите 15 комнат с 18 головоломками, посвящёнными возможностям Python 3.15.
По пути встретятся ленивые импорты, frozendict, sentinel, распаковка в comprehensions, изменения типизации и другие нововведения.
Ответы запускаются в настоящем Python 3.15. Для заданий на типизацию используется pyrefly. Проверяется не только результат, но и способ решения: обойти новую конструкцию привычным циклом не всегда получится.
Внутри есть карта, инвентарь, подсказки за очки, ссылки на документацию и автосохранение.
Запуск через uv:
uvx --python 3.15 whatsnewt
Любопытная деталь: по словам автора, значительная часть игры написана совместно с Claude.
Хороший повод изучить релиз на практике: каждая новая возможность становится задачей, которую нужно решить самому.
https://pypi.org/project/whatsnewt/ | 2 704 |
| 6 | PyTorch экономит память при обучении LLM и лучше использует GPU на Mac
OpenTeams рассказала о своём вкладе в PyTorch за 2026 год. Несколько изменений, которые пригодятся на практике:
- Меньше разрывов в `torch.compile`. Dynamo перестраивают по образцу внутренних механизмов CPython, чтобы он точнее обрабатывал обычный Python-код. Это сокращает ситуации, когда компиляция прерывается и выполнение возвращается в Python.
- До 4 раз меньше пиковой памяти на расчёте loss. В PyTorch 2.13 появился LinearCrossEntropyLoss: он обрабатывает данные частями, не создавая целиком огромный тензор оценок по всему словарю. Особенно полезно при обучении языковых моделей.
- Больше операций на GPU Apple Silicon. MPS получил нативные реализации дополнительных операций. По замерам команды, native_group_norm на M4 ускорился в среднем более чем в 10 раз.
- Экспериментальная компиляция комплексных вычислений. В PyTorch 2.14 комплексные операции можно разложить на операции с вещественными тензорами и передать существующим механизмам оптимизации.
Для PyTorch 2.15 также подготовлены поддержка Python 3.15 в `torch.compile` и API отдельных MPS-потоков. Они позволят отправлять работу в несколько очередей GPU на Mac.
https://openteams.com/engineering-blog/pytorch-year-in-review-2026/ | 3 007 |
| 7 |  ⚙️ Почему код тормозит, даже если алгоритм хороший?
Причина может скрываться в промахах кэша, предсказании ветвлений, расположении данных или конкуренции потоков за память.
CPU Performance Engineering собирает материалы, которые помогают разобраться в этих ограничениях. Путь идёт от выполнения одной инструкции до запуска ИИ-моделей на CPU.
Внутри:
• Микроархитектура процессоров x86 и Arm.
• Кэши, память, NUMA и false sharing.
• Профилирование, perf и flame graphs.
• SIMD, векторизация и оптимизации компилятора.
• Многопоточность и задержки под нагрузкой.
• Инференс моделей и квантизация.
В 14 разделах есть воспроизводимые бенчмарки на C: исходники, команды сборки, результаты и разбор. Можно проверить поведение на своём железе.
Подборка опирается на первоисточники: статьи, документацию и измерения. Есть и MCP-сервер для подключения материалов к ИИ-ассистенту.
https://github.com/usamahz/cpu-performance-engineering | 3 247 |
| 8 | Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи?
Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке.
Собрали подборку полезных материалов под разные направления:
➡️ Аналитикам:
— Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨
— Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥
➡️ Разработчикам:
— Go и System Design в Ozon 🔵, GO в Авито😎
— Банк алгоритмических собеседований из BigTech
➡️ ML/AI-инженерам:
— Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎
— 10 кейсов по ML System Design в Т-Банке 🟨
➡️ Тем, кто ищет первую стажировку:
— Как получить стажировку в 2026 году
— Где взять опыт, если его нет
В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech.
Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа
ПОСТУПАШКИ ПОДПИСАТЬСЯ | 2 890 |
| 9 |  +2🌟 SonicBoom: движок инференса без Python
HardenedVault, которая специализируется на безопасности Linux и компиляторов, выложила среду исполнения SonicBoom, написанной с нуля на C++ и CUDA. Python ей не нужен ни для работы, ни для сборки.
Цель проекта – локальный запуск языковых моделей на потребительских видеокартах.
Всё упаковано в одну библиотеку libsonicboom.so, которую можно подключить из любого языка через стандартный интерфейс C, основным языком для работы с ней авторы выбрали Scheme в реализации GNU Guile.
SonicBoom загружает модели в GGUF, генерирует текст на процессоре или видеокарте и поднимает локальный сервер, совместимый с API OpenAI.
Если новый запрос начинается с того же текста, что и предыдущий, заново обрабатывается только добавленная часть, и результат до токена совпадает с полным пересчётом.
🟡Механика
Скорость вывода дают уровни над вычислительными ядрами, а не сами ядра. Умножение квантованных матриц и токенизаторы частично перенесены из llama.cpp.
Над ними работает планировщик, который до запуска переписывает граф модели целиком, сливает соседние операции и записывает весь шаг генерации токена в один CUDA Graph, т. е. в готовую последовательность команд для видеокарты.
Ещё выше стоит компилятор на базе MLIR. Он сам генерирует часть ядер для GPU, в том числе для механизма внимания, и при первом запуске подбирает самый быстрый вариант под конкретную карту.
🟡Тесты
На RTX 3050 с 8 ГБ памяти сравнили SonicBoom и llama.cpp на одних и тех же моделях.
Gemma 4 E4B через SonicBoom дала генерацию в 53 токена в секунду против 44,8 у llama.cpp.
У Qwen2.5-0.5B вышло 344,7 токена в секунду против 307,6.
Когда контекст дорастает до 512 токенов, SonicBoom на Qwen уже чуть отстаёт.
Единственный сторонний результат на RTX 4060 Ti оказался хуже llama.cpp, 73,6 токена в секунду против 78, но его получили на сборке, ещё не настроенной под эту видеокарту.
Пока проверены только две модели, Gemma 4 E4B-it и Qwen2.5-0.5B-Instruct, и только видеокарты серии RTX 30.
Модель всегда выбирает самый вероятный токен, температуру и другие настройки случайности задать нельзя.
Следующими в планах стоят модели Llama и Mistral, работа через Vulkan, генерация ядер для видеокарт других производителей и диффузионные модели.
Дальше SonicBoom планирует вырасти в фреймворк в духе PyTorch, где модель пишут на Scheme и компилируют в граф вычислений. Прототип этого режима уже обучает небольшой трансформер.
📌Лицензирование: GPL-3.0
🖥Github
@ai_machinelearning_big_data
#AI #ML #LLM #InferenceEngine #SonicBoom | 2 783 |
| 10 |  ⚙️ Почему код тормозит, даже если алгоритм хороший?
Причина может скрываться в промахах кэша, предсказании ветвлений, расположении данных или конкуренции потоков за память.
CPU Performance Engineering собирает материалы, которые помогают разобраться в этих ограничениях. Путь идёт от выполнения одной инструкции до запуска ИИ-моделей на CPU.
Внутри:
• Микроархитектура процессоров x86 и Arm.
• Кэши, память, NUMA и false sharing.
• Профилирование, perf и flame graphs.
• SIMD, векторизация и оптимизации компилятора.
• Многопоточность и задержки под нагрузкой.
• Инференс моделей и квантизация.
В 14 разделах есть воспроизводимые бенчмарки на C: исходники, команды сборки, результаты и разбор. Можно проверить поведение на своём железе.
Подборка опирается на первоисточники: статьи, документацию и измерения. Есть и MCP-сервер для подключения материалов к ИИ-ассистенту.
https://github.com/usamahz/cpu-performance-engineering | 344 |
| 11 |  🖥 Python 3.15 вышел, Polars 2.0 догнал DuckDB, а searchsorted в NumPy ускорили в 25 раз
Свежий дайджест Python Hub за неделю, и в нём много полезного для тех, кто работает с данными и моделями.
Главное событие: релиз Python 3.15.0 (https://www.python.org/downloads/release/python-3150/). Среди заметных новинок ленивые импорты, встроенный неизменяемый словарь, сэмплирующий профайлер и UTF-8 как кодировка по умолчанию. Рядом идёт обсуждение Rust для CPython (https://blog.python.org/2026/09/language-summit-2026-rust-for-cpython/): на языковом саммите предложили постепенно вводить его в интерпретатор, начиная с опционального zlib на Rust в Python 3.16.
Polars 2.0 (https://pola.rs/posts/release-polars-2/) получил выгрузку на диск при нехватке памяти, полноценный SQL, тип Map и более строгую работу с типами. Авторы заявляют, что опережают DataFusion и DuckDB на TPC-H и TPC-DS. В NumPy 2.5 переписали np.searchsorted (https://blog.scientific-python.org/numpy/searchsorted/) на пакетные векторные операции, и прототип на C++ показал до 25 раз быстрее, чем в NumPy 2.4. Параллельно команда Quansight двигает NumPy к Limited API (https://labs.quansight.org/blog/limited_api_numpy), чтобы выпускать универсальные abi3-колёса.
Для тех, кто возится с железом и инференсом: проект openTPU (https://github.com/FeSens/openTPU) выложил в открытый доступ ускоритель с RTL, ISA, симулятором и компилятором, на нём гоняют Qwen3 на плате Kintex-7. Библиотека rGPU (https://github.com/ymcrcat/rgpu) позволяет держать тензоры и выполнять операции PyTorch на удалённой видеокарте, в том числе с Mac без CUDA. Microsoft добавила в Windows (https://devblogs.microsoft.com/foundry-on-windows/build-on-winml-oct-7-26/) экспериментальную поддержку GGUF через llama.cpp, локальный эндпоинт, совместимый с OpenAI, и нативный PyTorch с Triton на Arm64.
Отдельно стоит глянуть TurboPython (https://tpy-lang.org/), компилятор типизированного Python в C++, который собирает нативные бинарники без рантайма, сборщика мусора и GIL. Для начинающих есть гайд по созданию ИИ-агентов с нуля (https://github.com/tradertanmay/ai-agents-zero-to-hero) на чистом Python без обязательных зависимостей и видеоурок по сборке собственной обвязки для агента (https://www.youtube.com/watch?v=H5o1P8RMiMw) с вызовом инструментов, MCP и памятью.
Источник: https://pythonhub.dev/digest/2026-10-18/
@pythonl | 3 022 |
| 12 |  🔍 «Разберись, как это работает»: ИИ-агентам дали инструменты для реверс-инжиниринга
REA, Reverse Engineer Anything, подключает Claude Code, Codex, Cursor и другие агенты к инструментам анализа программ через MCP.
Можно попросить агента изучить функцию приложения без исходников: проследить вызовы, разобрать логику и на основе найденного написать похожую реализацию для своего проекта.
Поддерживаются нативные бинарники, JavaScript и Electron, .NET, Android APK и сайты. Для глубокого анализа бинарников используются Ghidra, IDA или Hopper.
Анализ выполняется локально. REA возвращает находки с подтверждениями и ограничениями, а агент использует их для дальнейшего исследования и написания кода. Результаты при этом передаются модели вашего провайдера.
Исходный код целиком инструмент не восстанавливает, но помогает понять устройство программы вплоть до псевдокода и ассемблера.
https://github.com/morluto/rea | 3 255 |
| 13 |  🧠 Python + Prolog: нейросети и строгая логика в одном процессе
Clausal Prolog объединяет Python с языком логического программирования Prolog. Нейросеть может вызывать правила, а правила обращаться обратно к нейросети. Без отдельного сервиса и сериализации данных.
Что это даёт:
• Явные ограничения: можно задать условия, которым должно соответствовать решение.
• Понятные выводы: проследить, какие правила привели к результату.
• Изменение поведения без переобучения: достаточно поправить правило.
Например, модель предлагает план действий, а логический слой проверяет его по заданным ограничениям. Такой подход называют нейросимвольным ИИ.
Установка: pip install clausal. Нужен Python 3.13+. Лицензия MIT.
https://github.com/neurosymbolica/clausal-prolog | 3 562 |
| 14 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 3 094 |
| 15 |  🧠 Tencent открыла Hy Memory: общую память для ИИ-ассистентов и редакторов кода
Система объединяет память о переписках, работе и коде, чтобы контекст можно было использовать между Codex, Cursor, WorkBuddy и другими инструментами. Открыты модель, движок и приложение.
В основе Hy-Memory-30B-A3B: 30 млрд параметров, из которых активны 3 млрд.
По данным команды, система заняла первое место во всех четырёх проведённых бенчмарках, обойдя Opus 5 в тестах памяти:
• +10,2 пункта на MemoryArena.
• На 51,8% меньше объём памяти.
• На 39,3% меньше токенов при извлечении воспоминаний.
Модель работает и с чужими движками: Mem0, MemOS и EverMemOS. В одном из продуктов Tencent точность восстановления информации через несколько связанных фактов выросла с 50% до 90%.
https://huggingface.co/tencent/Hy-Memory-30B-A3B | 3 645 |
| 16 |  🖥 Datadog научила профилировщик Python понимать asyncio: флеймграфы со «стеками из стеков» и оверхед меньше на 60%
Главная боль профилирования asyncio в том, что каждая задача выглядит как независимый стек. Время в запросе к Cassandra повисает в воздухе, и непонятно, какой именно путь в приложении его породил.
Инженеры Datadog решили это так: профилировщик отслеживает, какая задача кого ждёт, строит дерево зависимостей и начиная с листьев надстраивает фреймы родителей поверх фреймов потомков. Код, разбитый на отдельные задачи, и обычные корутины в одной задаче теперь дают сопоставимые флеймграфы. Если задача живёт дольше создателя, время засчитывается создателю, пока он работает, а затем тому, кто её ждёт.
Цена такого подхода высокая: к стоимости на поток добавляется O(n_tasks), а серверы держат много задач, поэтому адаптивный сэмплинг местами падал до минимальной одной выборки в секунду.
Резервуарное сэмплирование задач команда отвергла, потому что для дерева нужны метаданные всех задач.
Оверхед срезали тремя шагами. Убрали C++ исключения из пути сэмплирования, это около 15%. Интернировали строки имён функций и файлов, ещё около 25%. Заменили process_vm_readv, по системному вызову на каждый маленький объект, на memcpy с обработчиком сигнала для восстановления после ошибок памяти, это около 50% для синхронного кода.
В сумме на сервисах с выкаченными изменениями оверхед упал более чем на 60%.
В проде профилировщик нашёл бесконечный цикл в библиотеке pylzstring, которую затем починили в апстриме, и внутреннюю библиотеку, строившую большие debug-строки при логгере уровня INFO. Отдельно ИИ-агент через MCP и Dynamic Instrumentation оптимизировал функ
ции на NumPy и снизил CPU в них на 15-30%. Улучшения доступны в свежих версиях ddtrace. Автор отмечает, что похожий подход принят в Tachyon, профилировщике CPython 3.15, но сравнения не делает, как и абсолютных цифр оверхеда.
Источник: https://www.datadoghq.com/blog/engineering/async-python-profiler/ | 3 771 |
| 17 |  📱 35 млрд параметров на смартфоне с потреблением около 3 ГБ оперативной памяти.
OpenBMB показала MiniCPM-V 4.7: мультимодальный ИИ, который локально читает вывески, разбирает документы и анализирует изображения и видео.
Доступны две версии:
• 35B-A3B: MoE-модель с 35 млрд параметров, из которых около 3 млрд активны при обработке токена.
• 1B: компактный вариант для устройств с ограниченными ресурсами.
Главная технология, Lookahead Expert Scheduling, заранее подгружает нужных экспертов из накопителя и совмещает загрузку с вычислениями. По данным команды, на iPhone 17 Pro Max модель выдаёт более 13 токенов в секунду.
3 ГБ здесь означают память во время работы: веса модели хранятся отдельно на накопителе.
Также открыли Self-Replay Fine-Tuning для обучения новым задачам с меньшим забыванием прежних навыков. Поддерживаются iOS, Android и HarmonyOS.
https://github.com/OpenBMB/MiniCPM-V | 4 162 |
| 18 |  ⚡️ Overmind - open-source слой для автоматической оптимизации AI-агентов.
Вместо ручного тюнинга он запускает эксперименты и помогает улучшать сразу несколько частей агента:
- системные промпты
- описания инструментов
- выбор модели
- pipeline и control flow
- поведение агента на реальных задачах
Идея в том, чтобы не гадать, какой prompt или model лучше, а системно тестировать варианты и оставлять те, которые реально дают прирост по метрикам.
Проект позиционируется как supervision + fine-tuning layer для agentic AI и доступен как Python-пакет. Свежая версия 0.1.82 опубликована 1 октября 2026 года. :
https://github.com/overmind-core/overmind | 4 375 |
| 19 |  🖥 Python-дайджест недели: агенты с онтологией, рантайм-проверка типов и SQLite в проде
Собрали самое полезное из свежего выпуска Python Hub.
EvoOntology от RUC DataLab. Это самообновляющийся слой онтологии для дата-агентов: он связывает разнородные таблицы, файлы и базы, чтобы агент понимал, где какие данные лежат.
https://github.com/ruc-datalab/EvoOntology
Quail. Опенсорсный AI-SQL движок, который оптимизирует план запроса вместе с LLM-инференсом. Авторы заявляют ускорение в среднем в 1,84 раза и до 14 раз относительно настроенного vLLM.
https://fsdatalab.github.io/blog/introducing-quail/
AI Engineering from Scratch. Бесплатный открытый курс по построению ИИ-систем с нуля, от математики до продакшена.
https://aiengineeringfromscratch.com/index.html
Taste-Bench. Бенчмарк проверяет, умеет ли агент в длинной задаче выбрать правильное направление в точке развилки. Как раз там агенты чаще всего и ломаются.
https://github.com/wbopan/tastebench
livenerf. Долгоиграющий бенчмарк, который отслеживает, не деградирует ли frontier-модель тихо после релиза.
https://github.com/ninjahawk/livenerf
Себастьян Рашка разбирает историю классификации текста от bag-of-words до LLM и объясняет, когда специализированный классификатор всё ещё выигрывает у большой модели.
https://magazine.sebastianraschka.com/p/classifier-history-and-jev
type_enforced. Быстрая проверка аннотаций типов прямо в рантайме для Python 3.11+, без зависимостей.
https://github.com/connor-makowski/type_enforced
django-upgrade-report. Показывает, какие зависимости блокируют апгрейд Django и в каком порядке их обновлять.
https://github.com/derblub/django-upgrade-report
Необычный эксперимент Филипа Цукера: union-find на Python, который печатает доказательства для Lean.
https://www.philipzucker.com/proof_uf/
Ciaren. Визуальный ETL, который работает локально и экспортирует пайплайн в код на pandas или Polars. Пока альфа под AGPL-3.0.
https://ciaren.com/
На Reddit хорошо разобрали SQLite в продакшене: зачем включать WAL, как настроить busy_timeout и почему пишет один воркер.
https://www.reddit.com/r/Python/comments/1wowf4q/sqlite_in_production_why_wal_mode_busy_timeout/
И вечный холивар: жив ли ещё Flask или FastAPI окончательно победил.
https://www.reddit.com/r/Python/comments/1wxkk8m/anyone_still_using_flask_or_has_fastapi/
Из видео стоит глянуть обзор Pyrefly, статического тайпчекера от Meta.
https://www.youtube.com/watch?v=lFA-zuZRG4Q
Полный дайджест: https://pythonhub.dev/digest/2026-10-11/
@pythonl | 3 748 |
| 20 |  🐍 Ротация прокси в Python может обходиться без списка IP и `random.choice()`
Если провайдер поддерживает ротацию на шлюзе, скрипт обращается к одному адресу. Выходные IP меняет сам сервис по выбранному режиму. Именно такой подход разобран в статье.
Минимальный пример проверки:
import os
import requests
# PROXY_URL: адрес шлюза с учётными данными
proxy = os.environ["PROXY_URL"]
proxies = {"http": proxy, "https": proxy}
for _ in range(5):
r = requests.get(
"https://httpbin.org/ip",
proxies=proxies,
timeout=(5, 15),
)
r.raise_for_status()
print(r.json()["origin"])
Нюанс: ключ "https" обозначает протокол целевого сайта. Сам адрес прокси при этом может начинаться с http://. Это корректная настройка для HTTP-прокси.
Ещё важно различать два режима:
• Ротация меняет выходной IP согласно настройкам провайдера.
• Sticky session закрепляет IP на некоторое время.
При этом requests.Session() сохраняет cookies и переиспользует соединения, но самостоятельно IP не меняет. Политику ротации нужно проверять у провайдера.
https://unlimitedresidentialproxy.com/blog/how-to-rotate-proxies-python | 3 708 |
