Python/ django

🖥 На stepik обновили курс Python в 2026 - рабочий инструмент для автоматизации, ботов, парсинга, API, данных и разработки с ИИ. Проблема новичков в том, что они учат Python кусками: синтаксис, пару задач, немного теории - и потом не понимают, как собрать из этого реальный проект. Этот курс закрывает именно этот разрыв. Здесь вы не просто смотрите уроки, а учитесь писать код, разбирать ошибки и собирать рабочие решения на практике. Внутри: - Python с нуля - много практики без сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современная разработка с ИИ - отдельный блок по вайбкодингу Вайбкодинг это нормальный навык 2026 года и вас научат- правильно ставить задачу, проверять код, понимать результат и быстрее доводить проект до рабочего состояния. 48 часов скидка 60%: https://stepik.org/course/288218/

🐍 Python Парсинг: Большой продвинутый бесплатный курс Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики. https://github.com/justxor/Pythonparsing-/tree/main

GLM-5.2 теперь можно запускать локально. 2-битная версия сохраняет около 82% точности после сжатия модели с 1,51 ТБ до 238 ГБ, то есть размер уменьшили на 84%. Запуск возможен на Mac с 256 ГБ памяти или на системах с достаточным объёмом RAM/VRAM. GLM-5.2 называют самой сильной открытой моделью на данный момент. Гайд: https://unsloth.ai/docs/models/glm-5.2 GGUF: https://huggingface.co/unsloth/GLM-5.2-GGUF

Python иногда может выглядеть как тёмная магия. Вот однострочный quicksort через lambda:

q = lambda x: x and q([i for i in x[1:] if i <= x[0]]) + [x[0]] + q([i for i in x[1:] if i > x[0]])

Что тут происходит: * берём первый элемент как pivot * всё, что меньше или равно ему, рекурсивно сортируем слева * сам pivot ставим в центр * всё, что больше, рекурсивно сортируем справа * если список пустой, возвращается пустой список Работает красиво, но в продакшен так писать не надо. Это скорее пример того, насколько гибким может быть Python, чем нормальный стиль кода. Минусы очевидные: плохая читаемость, рекурсия, лишние списки на каждом шаге и риск упереться в лимит рекурсии. Но как демонстрация идеи quicksort в одну строку — выглядит эффектно.

💻Инженерный университет нового типа НЕЙМАРК открыл приёмную кампанию — и вот почему это интересно. Здесь ушли от скучной теории и учат системному мышлению и работе с ИИ — метанавыкам, которые позволяют не конкурировать с нейросетями, а создавать и масштабировать работающие продукты! Что дает университет: - два диплома сразу благодаря совместным программам с НИУ ВШЭ, ННГУ и другими ведущими вузами - актуальная база в кибербезопасности, робототехнике, ИИ или телекоме - индивидуальная траектория с ментором и реальные кейсы в портфолио с первого курса. ⚡️Приёмная кампания на 2026 год уже открыта. Собственные ИТ-проекты, личные достижения и олимпиады дают преимущество и возможность учиться по гранту. Выбирай направление и подавай заявку по ссылке: neimark-it.ru

Zero training needed, Image-to-LoRA(i2L) V2 уже вышел 🚀 Обновлённая версия i2L стала заметно мощнее: теперь она может превратить одно или несколько референсных изображений в style LoRA за один прямой проход, без отдельного обучения для кастомизации визуального стиля. 🌟 Что нового в V2: * Совместимость: работает с разными базовыми моделями, включая Z-Image, Klein-4B и Hidream-O1. * Скорость: прямое предсказание весов style LoRA без обучения. * Точность стиля: высокая верность переноса стиля без утечки семантики. * Контроль: явные веса открывают asymmetric CFG, смешивание стилей из нескольких референсов и управляемую генерацию. * Архитектура: image encoder, обучаемые LoRA queries и compressed decoding heads, которые генерируют адаптированные матрицы. 🤖 Коллекция моделей: https://modelscope.ai/collections/DiffSynth-Studio/Image-to-LoRA-V2 🎠 Studio: https://modelscope.ai/studios/DiffSynth-Studio/Z-Image-i2L-V2 📄 Paper: https://modelscope.ai/papers/2606.13809

SQLModel использует аннотации типов Python, чтобы объединить Pydantic и SQLAlchemy и уменьшить дублирование кода при работе с SQL-базами. * одна аннотация типа заменяет отдельные модели Pydantic и SQLAlchemy * хорошо совместим с FastAPI, Pydantic и SQLAlchemy * внутри работает на базе Pydantic и SQLAlchemy * разумные настройки по умолчанию уменьшают количество шаблонного кода https://github.com/fastapi/sqlmodel

🔍 Обнаружение уязвимостей с помощью Audit Audit — это агент для поиска уязвимостей, использующий 8-ступенчатую методологию, основанную на взаимодействии узких агентов и принципе "умышленного несогласия". Он интегрируется с Claude Pro и предлагает структурированные отчеты о безопасности. 🚀 Основные моменты: - Многопоточность: узкие агенты работают параллельно для поиска уязвимостей. - Умышленное несогласие: второй агент проверяет выводы первого. - Отслеживание доступности: подтверждает, что уязвимости могут быть достигнуты злоумышленником. - Обратная связь: находит новые задачи на основе обнаруженных уязвимостей. 📌 GitHub: https://github.com/evilsocket/audit #python

TerminalTextEffects - это Python-библиотека без внешних зависимостей для добавления анимированного текста прямо в терминал. Что умеет: - работает прямо в текущем терминале и не ломает привычный workflow - поддерживает Xterm 256 и RGB HEX-цвета - умеет сложное движение символов через кривые Безье и плавное ускорение - эффекты можно настраивать через типизированный config dataclass - CLI-аргументы генерируются автоматически из конфигурации https://github.com/ChrisBuilds/terminaltexteffects

Nex-N2 - новое любопытное семейство агентных моделей. Что внутри: - Adaptive Thinking - модель сама подбирает глубину рассуждения на каждом шаге - экономия около 20% токенов без потери качества - Coherent Thinking - единый формат мышления для поиска, кодинга и tool use - меньше хрупких переключений между разными режимами работы По заявлению команды, Nex-N2 показывает уровень Tier-1 open-source моделей на SWE-bench, Terminal-Bench, GDPval и других бенчмарках, приближаясь к GPT-5.5 и Opus 4.7. Звучит мощно, но такие цифры стоит проверять независимыми прогонами. - Kimi-K2.6: 86% - 13 из 14 - MiniMax: 100% - 8 из 8 - GLM-5.1: 100% - 13 из 13 - DeepSeek-V4-Pro: 92% - 11 из 12 - Opus 4.7: 45% - 5 из 11 - GPT-5.5: 30% - 3 из 10 🎉 Open-weight. Try it now. 🔗 https://nex-agi.com 📦 https://huggingface.co/nex-agi/Nex-N2-Pro https://modelscope.cn/models/nex-agi/Nex-N2-Pro https://github.com/nex-agi/Nex-N2

🚀 GPU-библиотека для классического машинного обучения FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения. 🚀Основные моменты: - Поддержка 15 высокоуровневых примитивов для машинного обучения. - Информативный API для оценки производительности операций. - Оптимизированные реализации для кластеризации, регрессии и декомпозиции. - Легкая интеграция с PyTorch и sklearn. 📌 GitHub: https://github.com/FlashML-org/flashlib #python

✔️ Centaur - это платформа для совместного использования AI-агентов, интегрированных в Slack. Она позволяет командам взаимодействовать с агентами, которые выполняют задачи в изолированных средах Kubernetes, обеспечивая безопасность и гибкость. 🚀 Основные моменты: - Slack-агенты для выполнения задач и получения ответов. - Изолированные среды для безопасного выполнения команд. - Поддержка пользовательских инструментов и плагинов. - Долговременные рабочие процессы с возможностью восстановления. - Хранение состояния для повторного подключения без потери данных. 📌 GitHub: https://github.com/paradigmxyz/centaur #python

🖥 Python не медленный. Медленным его часто делает ваш код. У Python есть странная репутация: стоит программе начать тормозить, виноват сразу язык. Но в реальности большая часть быстрых сценариев в Python работает не потому, что интерпретатор внезапно стал магическим, а потому что тяжёлая работа уходит ниже - в C, C++ или Rust. CPython написан на C. Многие встроенные операции тоже выполняются в C: - len() - list.append() - dict.get() - sum() - сортировка - операции со строками - часть работы со списками и словарями Когда вы вызываете list.append(), Python не крутит всю логику добавления элемента на уровне байткода. Он платит небольшой overhead за вызов, а дальше попадает в C-функцию внутри CPython. Медленный путь начинается там, где мы вручную гоняем данные по одному элементу:

total = 0

for x in data:
    total += x

На каждой итерации интерпретатор должен выполнить байткод, достать объект, проверить типы, сделать операцию, обновить значение и перейти к следующему элементу. Для маленьких списков это незаметно. Для миллионов элементов это уже цена, которую вы платите за каждую итерацию. Быстрый путь выглядит иначе:

total = sum(data)

Здесь цикл проталкивается внутрь реализации. Python остаётся удобной оболочкой, а основная работа выполняется ближе к нативному коду. С NumPy та же идея, только ещё жёстче:

total = np.sum(data)

Внутренний цикл почти не возвращается в Python. Массив обрабатывается внутри оптимизированного нативного кода, а обратно приходит уже готовый результат. Поэтому фраза «Python медленный» слишком грубая. Точнее так: Python-циклы дорогие C-циклы дешёвые built-in функции часто быстрее ручного кода NumPy быстрый не из-за синтаксиса, а потому что не гоняет каждый элемент через интерпретатор хороший Python-код старается как можно дольше оставаться внутри готовых операций и библиотек Оптимизация Python часто начинается не с переписывания проекта на Go или Rust, а с простого вопроса: можно ли убрать ручной цикл и отдать работу тому коду, который уже написан на C, C++ или Rust? Python хорош не как самый быстрый исполнитель каждой операции. Он хорош как удобный слой управления над быстрыми нативными кусками.

🖥 В России второй день подряд жалуются на проблемы с доступом к PyPI, главному репозиторию пакетов для Python. По данным Downdetector, сбои затрагивают пользователей из разных регионов. PyPI для Python-разработчиков - это не просто сайт с библиотеками. Через него ставятся зависимости, фреймворки, CLI-утилиты и большая часть всего, что нужно для нормальной разработки. Когда он начинает отваливаться, ломается не «ещё один зарубежный сервис», а базовая инфраструктура языка. Диагностика интернет-блокировок показала обрыв соединения на этапе TLS. Это момент, когда клиент и сервер пытаются установить защищённое соединение. Такое поведение похоже на блокировки через DPI, то есть глубокую инспекцию пакетов. По симптомам ситуация напоминает недавние проблемы с доступом к DeepSeek, которые издание тоже связывало с похожим механизмом. При этом в Роскомнадзоре утверждают, что PyPI не ограничивали и проблем с доступом к ресурсу не фиксируют, сообщает «Осторожно, новости». Для разработчиков это неприятный сигнал. Даже если проблема окажется временным сбоем, зависимость от внешней инфраструктуры снова стала очень заметной: без PyPI внезапно сложнее собрать проект, поднять окружение, поставить зависимости и просто нормально работать с Python.

🖥 Python умеет читать бинарные файлы блоками очень элегантно - без ручного while True. Вот такой приём через functools.partial:

`iter(partial(f.read, 64), b'')`

Что тут происходит: partial(f.read, 64) превращает f.read(64) в функцию без аргументов. iter(..., b'') вызывает её снова и снова, пока результат не станет b'', то есть пока файл не закончится. В итоге получаем аккуратный цикл по блокам:

from functools import partial

with open("mydata.db", "rb") as f:
    for block in iter(partial(f.read, 64), b""):
        process_block(block)

⚡️ Как Redis считает миллиарды уникальных значений, почти не тратя память Есть алгоритм HyperLogLog. Он позволяет примерно понять, сколько уникальных элементов прошло через систему, используя около 12 KB памяти. Идея простая: Redis не хранит сами элементы. Он делает так: - берёт элемент - считает от него хеш - часть хеша использует как номер ячейки - в другой части смотрит, сколько нулей подряд встретилось - если новое число больше старого - обновляет ячейку Почему это работает? Потому что длинная серия нулей в хеше встречается редко. Например: - 1 ноль подряд - довольно часто - 5 нулей подряд - уже реже - 10 нулей подряд - примерно шанс 1 к 1024 - 20 нулей подряд - совсем редкое событие Если Redis увидел очень редкий паттерн, значит через него, скорее всего, прошло много разных элементов. В Redis используется 16 384 маленьких счётчика. Каждый хранит максимальную «редкость», которую видел для своей группы элементов. Потом Redis объединяет эти значения математикой и получает оценку уникальных элементов. Не точное число, а очень близкую оценку. Главный прикол HyperLogLog: он может обработать хоть миллионы, хоть миллиарды значений, но память почти не растёт. Именно поэтому Redis умеет считать уникальных пользователей, IP, запросы или события без огромных таблиц и списков.

O(1) не значит «быстро» Одна из самых частых ошибок в алгоритмах: считать, что O(1) всегда быстрее O(n). На практике это не так. O(1) означает только одно: время работы не растёт вместе с размером входных данных. Но сама операция может быть дорогой. Например, хеш-таблица формально даёт O(1) для поиска, но если данные не в кэше CPU, один cache miss может сделать её медленнее, чем простой линейный проход по маленькому массиву. Именно поэтому в Go, Python и даже C-библиотеках для маленьких map/таблиц иногда используют обычный linear search. Парадоксально, но: O(n) при n = 16 и тёплом кэше может быть быстрее, чем O(1) с холодным cache miss. Big O описывает асимптотический рост, а не реальную скорость на маленьких данных.

🔥 Три разных человека. Три разных проекта. Один и тот же подход. — Юра взял «скучную» нишу с готовым спросом → сначала печальные $100/мес, через год уже ~$10K/мес — Денис сделал Telegram-игру в одиночку на основе AI → ~ $1500 за 1,5 месяца после запуска — Аня без кода запустила AI-бота для изучения английского → первые ~$200 уже в 1 месяц Разные результаты. Разный масштаб. Но общие правила: 1. не придумывать «гениальную идею», а брать существующий спрос 2. делать простой MVP и быстро запускаться 3. докручивать монетизацию и продукт по факту использования Ребята сделали всё без команды, без инвестиций, а самое главное — без ожидания «идеального момента». Да, не у всех получается сразу. И не у всех выходит на $10K. Но если системно идти по схеме выше — появляется первый доход с продукта, а дальше уже есть что масштабировать. В комьюнити разбираем такие кейсы регулярно: @its_capitan. Что сработало, что нет, и почему.

✔️ Run Llama выкатили LiteParse - open-source инструмент для быстрого локального парсинга документов. Если задача - быстро достать текст, координаты, структуру страниц и скриншоты, это можно делать локально. Что умеет LiteParse: - парсит PDF через PDFium - сохраняет bounding boxes для текста - умеет OCR через встроенный Tesseract - поддерживает внешние OCR-серверы вроде EasyOCR или PaddleOCR - генерирует скриншоты страниц для LLM-агентов - отдаёт результат в JSON или обычный текст - работает из Rust, Python, Node.js/TypeScript и WASM - запускается на Linux, macOS и Windows Авторы прямо разделяют сценарии: LiteParse для быстрых локальных задач, LlamaParse - для тяжёлых случаев с таблицами, сложной версткой, графиками, рукописным текстом и сканами. https://github.com/run-llama/liteparse

🖥 Python умеет аккуратно читать вывод долгого процесса по мере выполнения Вместо того чтобы ждать завершения команды, можно запустить её через subprocess.Popen и читать stdout построчно. Так удобно следить за: - долгими скриптами - серверами - сборками - тестами - CLI-утилитами - фоновой обработкой данных Пример на картинке запускает HTTP-сервер и сразу печатает его вывод: subprocess.Popen(...) стартует процесс stdout=subprocess.PIPE забирает поток вывода iter(proc.stdout.readline, b'') читает строки, пока процесс жив Полезный паттерн, когда нужно не просто запустить команду, а видеть, что с ней происходит прямо сейчас.