Python Community

🎮 Создание 2D-спрайтов с помощью AI Agent Sprite Forge позволяет превращать текстовые промпты в готовые к игре 2D-спрайты и карты. Используя Codex, вы можете создавать анимации, экспортировать чистые прозрачные листы и данные сцен для игр. 🚀 Основные моменты: - Генерация спрайтов и анимаций из текстовых команд. - Поддержка создания карт и игровых объектов. - Возможность разработки полноценных игр с помощью AI. - Интуитивно понятный интерфейс для планирования и рендеринга. 📌 GitHub: https://github.com/0x0funky/agent-sprite-forge #python @Python_Community_ru

Tencent Hunyuan выложила в open source Hy-MT1.5-1.8B-1.25bit - офлайн-модель для перевода на мобильных устройствах размером всего 440 МБ. Поддерживает 33 языка и работает без интернета. Базовая модель на 1,8B параметров по качеству сопоставима с коммерческими API для перевода и моделями масштаба 235B. По бенчмаркам она обходит Google Translate и Baidu Translate. Версия на 440 МБ достигает этого за счёт Sherry - разреженной тернарной квантизации 1.25-bit, принятой на ACL 2026. Схема такая: параметры группируются по 4, три хранятся в 1-bit, один зануляется. В среднем получается 1.25 bit на параметр. Также доступна версия на 574 МБ с 2-bit SEQ-квантизацией: почти без потери качества и быстрее на устройствах с Arm SME2. Android-демо уже доступно. 🤖 https://modelscope.cn/collections/AngelSlim/Hy-MT15-18b-quant 📄 https://modelscope.cn/papers/2601.07892 📄 https://modelscope.cn/papers/2512.24092 @Python_Community_ru

✔️ The Open Source Computer Science Degree На GitHub есть список курсов, который бесчисленные самоучки считают «альтернативой бакалавриату по компьютерным наукам»: open-source-cs, уже набравший более 20 000 звёзд. Здесь бесплатные открытые курсы из ведущих вузов, таких как MIT, Стэнфорд, Принстон и других, по традиционной траектории подготовки CS-бакалавров: от основ до продвинутого уровня, от теории до практики, репо прокладывает чёткий путь обучения. Полное покрытие: программирование, математика, системы, алгоритмы и приложения; для каждого курса заботливо указаны часы обучения, уровень сложности и здесь описаны предварительные требования, чтобы вы меньше спотыкались и не терялись. GitHub: http://github.com/ForrestKnight/open-source-cs @Python_Community_ru

Запросы обрабатываются медленно, задачи висят, а пользователь ждёт? На открытом уроке разберём, как выносить длительные операции в фон в Django и перестать блокировать приложение. Покажем, как подключить Celery, настроить выполнение фоновых задач и использовать брокер сообщений RabbitMQ для управления очередями. Разберём, какие задачи стоит выносить в фон и как это влияет на стабильность и скорость работы сервиса. Вы получите базовое понимание асинхронной обработки задач и увидите, как сделать приложение быстрее и надёжнее без усложнения архитектуры. Открытый урок для начинающих разработчиков проходит в преддверии старта курса «Python-разработчик» 28 апреля в 20:00 МСК. 👉 Регистрация: https://clck.ru/3TJdkY Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

🚀 Открытый агентский хранилище OpenHarness OpenHarness предлагает легкую инфраструктуру для агентов, включая инструменты, память и координацию между агентами. Это решение для разработки открытых агентов с поддержкой интеграции CLI и множеством инструментов. 🚀 Основные моменты: - Легкая архитектура для агентов - Поддержка 43+ инструментов и плагинов - Механизмы управления и разрешений - Контекст и память для улучшенной работы - Координация между несколькими агентами 📌 GitHub: https://github.com/HKUDS/OpenHarness #python @Python_Community_ru

🐍 Маленькая, но красивая фишка Python. В большинстве языков, чтобы поменять значения переменных местами, используют временную переменную: temp = a a = b b = temp В Python всё гораздо проще. Можно сделать обмен значений в одну строку: a, b = b, a Без временных переменных, без лишнего кода. Python просто распаковывает значения и меняет их местами. Мелочь, но именно из таких вещей и складывается читаемый и лаконичный код. 🐍 Python полезные ресурсы ( ) () @Python_Community_ru

🚀 DeepSeek-V4 ломает рынок: 1M контекста стал нормой DeepSeek выкатили V4 и сделали то, к чему все шли последние два года. Длинный контекст больше не фича для демо. Теперь это базовый уровень. V4-Pro выглядит как заявка на прямую конкуренцию с закрытыми моделями. 49B активных параметров дают уровень reasoning, который раньше был доступен только в дорогих API. Агентные задачи закрываются на уровне SOTA среди open-source. V4-Flash почти не отстает по качеству, зато быстрее и заметно дешевле. Это уже не про исследования. Это про продакшен, где важна цена за каждый запрос. Новый attention с компрессией токенов и sparse-подходом делает 1M контекста не просто возможным, а экономически адекватным. Раньше длинный контекст стоил как эксперимент. Теперь это рабочий инструмент. DeepSeek явно ставит ставку на агентов. Интеграция с Claude Code, OpenClaw и другими системами показывает, куда они целятся. Не чат. Автоматизация процессов, цепочки действий, реальные workflow. И еще один важный момент. Теперь есть выбор между thinking и non-thinking режимами. Можно управлять тем, тратить ли ресурсы на глубокое рассуждение или получать быстрый ответ. В итоге меняется базовая логика рынка. Если раньше ты выбирал между качеством и ценой, то теперь появляется третья точка. Длинный контекст плюс агентность при адекватной стоимости. Это новый baseline, под который придется перестраиваться всем. 📄 Tech Report: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf 🤗 Open Weights: https://huggingface.co/collections/deepseek-ai/deepseek-v4 #DeepSeek @Python_Community_ru

‍🚀 50+ команд Claude Code, которые реально ускоряют разработку Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности. Это не просто AI. Это полноценная система разработки внутри терминала. Вот как его правильно использовать: База, без которой никуда: - /init - создаёт CLAUDE.md и память проекта - /memory - открывает контекст проекта - /add-dir - подключает новые директории - /compact - чистит контекст и экономит токены Работа с кодом: - /diff - показывает изменения - /review - ревью кода - /simplify - 3 агента анализируют код - /debug - системный дебаг Контроль процесса: - /plan - сначала думает, потом пишет код - /permissions - контроль действий - --dangerously-skip-permissions - полный автопилот Продвинутые фичи: - /agents - параллельные агенты - /loop - повтор задач - /bash - выполнение команд - /remote-control - управление через браузер Модели и режимы: - /model - переключение моделей - /effort - глубина мышления - /fast - быстрый режим Что важно знать: - Claude Code = не чат, а инженер внутри проекта - память (CLAUDE.md) решает больше, чем промпты - агенты дают x2-x5 ускорение на сложных задачах @Python_Community_ru

🚀 Автономные исследования на Apple Silicon Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных. 🚀 Основные моменты: - Нативная поддержка Apple Silicon без PyTorch/CUDA - Фиксированный 5-минутный бюджет на обучение - Логирование результатов в results.tsv - Простая структура для автономного эксперимента - Оптимизация моделей для повышения эффективности 📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx #python @Python_Community_ru

Когда я прошу Клода провести проверку кода @Python_Community_ru

Продвинутый совет по Django: Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer. Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ. Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться. Хороший паттерн такой: • view отвечает только за HTTP, • serializer за валидацию, • model за данные, • а вся бизнес-логика живёт в services. Пример: # services/order_service.py from django.db import transaction from .models import Order, OrderItem class OrderService: @staticmethod @transaction.atomic def create_order(*, user, items_data): order = Order.objects.create(user=user, status="new") order_items = [ OrderItem( order=order, product_id=item["product_id"], quantity=item["quantity"], price=item["price"], ) for item in items_data ] OrderItem.objects.bulk_create(order_items) return order Во view тогда остаётся только это: def create_order_view(request): serializer = OrderCreateSerializer(data=request.data) serializer.is_valid(raise_exception=True) order = OrderService.create_order( user=request.user, items_data=serializer.validated_data["items"], ) return Response({"order_id": order.id}) Что это даёт: код проще тестировать, логика не дублируется, её можно использовать в API, admin и background jobs, и становится меньше шансов сломать что-то при росте проекта. Django-проект становится серьезнее в тот момент, когда ты перестаёшь писать всё во views. 🐍 Python полезные ресурсы ( ) @Python_Community_ru

⚡️ Qwen3.6-35B-A3B - ставка на эффективную архитектуру, а не на размер 35B параметров, ~3B активных за счёт MoE. Главное: - по agentic coding показывает уровень моделей с ~10x большим активным объёмом - превосходит Qwen3.5-27B (dense) и предыдущую Qwen3.5-35B-A3B - нативно мультимодальная архитектура (text + vision) - в VLM-бенчмарках сопоставима с Claude Sonnet 4.5, в ряде задач выше - сильные метрики в задачах spatial reasoning Практическое значение: - MoE даёт кратное снижение compute без потери качества - подходит для агентных сценариев, где важны последовательные действия и планирование - можно использовать как единый стек для code + vision задач Apache 2.0 - без ограничений для продакшена qwen.ai/blog?id=qwen3.6-35b-a3b chat.qwen.ai huggingface.co/Qwen/Qwen3.6-35B-A3B modelscope.cn/models/Qwen/Qwen3.6-35B-A3B @ai_machinelearning_big_data @Python_Community_ru

🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты. Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS. Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки. Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка. Лучше всего справляется с английским, но русский тоже поддерживает. Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов. Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь. https://github.com/OpenMOSS/MOSS-TTS-Nano Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano @Python_Community_ru

🚀 Claude Code получил open-source инструмент, который снимает лимиты использования и не даёт ему останавливаться посреди задачи. 47 000+ звёзд, бесплатно, и уже называют чит-кодом для power-пользователей. https://github.com/thedotmack/claude-mem 🐍 Python полезные ресурсы ( ) () @Python_Community_ru

🚀 OpenGauss: Умный оркестратор для Lean-работ OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI. 🚀Основные моменты: - Многоагентная архитектура для Lean-работ - Поддержка различных рабочих процессов: prove, draft, autoprove - Удобное управление проектами и сессиями - Интеграция с Lean tooling и MCP/LSP 📌 GitHub: https://github.com/math-inc/OpenGauss @Python_Community_ru

🔥 Linux 7.0 - Торвальд и команда вычистили десятилетия грязного легаси и ОС стала реально быстрее! Линус Торвальдс наконец пошёл на радикальный шаг (https://9to5linux.com/linux-kernel-7-0-officially-released-this-is-whats-new#google_vignette) и начал массовую зачистку старого кода. То, что копилось годами, просто выкинули. Итог - система стала заметно проще, чище и быстрее. Что изменилось по факту: XFS сильно прокачали - файловая система стала надёжнее, меньше рисков потери данных и лучше ведёт себя под нагрузкой Работа с памятью ускорилась примерно на 20%, плюс подтянули сетевой стек - соединения стабильнее при высоких нагрузках Контейнеры теперь стартуют быстрее за счёт улучшений в open_tree - меньше оверхеда при разворачивании В Kconfig наконец дали больше свободы кастомизации - можно заменить Tux на свой логотип Поддержка железа тоже прокачана - AMD и Intel работают эффективнее без ручных оптимизаций Главное здесь не список фич, а тренд. Ядро постепенно избавляется от исторического балласта и становится более предсказуемым и удобным для современных нагрузок. https://github.com/torvalds/linux/releases/tag/v7.0 🐍 Python полезные ресурсы ( ) () @Python_Community_ru

Запросы в 1С работают, но медленно? Данные есть, логика верная — а производительность проседает, и разобраться, где именно проблема, сложно. На открытом уроке разберём, как устроены регистры накоплений, где чаще всего допускаются ошибки и как они влияют на выполнение. Покажем, как правильно использовать виртуальные таблицы, условия и индексы, чтобы получать корректный план запроса. Вы увидите, как писать запросы, которые быстро выполняются в СУБД. Урок будет полезен разработчикам, которые хотят перестать угадывать и начать осознанно управлять производительностью. 🗓Встречаемся 21 апреля в 20:00 МСК в преддверии старта курса «Разработчик 1С. Продвинутый уровень». 👉 Принять участие: https://clck.ru/3T5PK7 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576