Python/ django

🔥 Django Q() objects — один из самых полезных инструментов ORM, который многие используют слишком редко Q() позволяет собирать сложные условия для WHERE, комбинируя их через AND, OR и NOT. Пример:

Pet.objects.filter(
    Q(last_given_treats__isnull=True)
    | Q(last_given_treats__lte=timezone.now() - timedelta(days=1)),
    treats_needed__gt=F("treats_given"),
)

Особенно полезно для динамических фильтров:

q = Q()

for term in search_term.split():
    q |= Q(name__icontains=term)

Pet.objects.filter(q)

Но есть ещё более важный момент. При фильтрации через related models два отдельных .filter() могут привести к двум JOIN и неожиданно изменить смысл запроса.

Species.objects.filter(
    pets__name__icontains="meowy"
).filter(
    pets__treats_given=0
)

Это уже может искать одну запись по имени, а другую - по количеству treats. Если собрать условия в одном .filter() или через Q(), Django использует один JOIN и проверяет условия на одной и той же связанной записи. Очень полезный приём для сложных QuerySet, динамического поиска и composable business filters. https://www.better-simple.com/django/2026/09/09/nifty-feature-q-objects/

🖥 Python → C++: Shed Skin компилирует код без ручной расстановки типов Shed Skin переводит ограниченное подмножество Python 3 в оптимизированный C++. На выходе можно получить отдельную программу или модуль расширения, который импортируется в обычный Python-проект. Типы инструмент выводит автоматически, поэтому аннотации добавлять не обязательно. Но код должен соответствовать ограничениям статической типизации. Что со скоростью? На наборе из более чем 80 программ авторы получили среднее ускорение в 20 раз относительно CPython 3.14, медианное - в 12 раз. Это результаты конкретных примеров, а не обещание для любого проекта. Ограничения существенные: * Поддерживается только часть Python. * Из стандартной библиотеки доступны около 25 модулей, включая random и re. * Произвольные сторонние библиотеки использовать нельзя. * Вложенные функции и переменное число аргументов не поддерживаются. Проект рассчитан прежде всего на небольшие вычислительные участки кода, которые можно отделить от внешних зависимостей. Для совместимости может потребоваться серьёзный рефакторинг. В репозитории есть примеры, включая трассировку лучей, шахматоподобные игры и DOOM. https://github.com/shedskin/shedskin

Настольный радар на Raspberry Pi - с самолётами, кораблями и переговорами диспетчеров FlightScnr Pi превращает Raspberry Pi и круглый 4-дюймовый сенсорный экран в трекер транспорта. На дисплее - тёмная карта, вращающийся луч и самолёты поблизости. Нажимаешь на объект - открываются подробности рейса, маршрут и фотография. Что умеет: * Отслеживать самолёты по данным Flightradar24, adsb.fi или собственного приёмника через dump1090/readsb. * Показывать суда при подключении источника AIS. * Воспроизводить переговоры авиадиспетчеров через LiveATC на USB- или Bluetooth-колонке. * Отображать погоду, осадки, пожары и землетрясения. * Переключаться между радаром, картой маршрута и часами с погодой. Настройка и обновления доступны через локальный веб-интерфейс. Для повседневного использования SSH не нужен. Для сборки понадобятся Raspberry Pi, совместимый круглый экран Waveshare 720×720, питание и корпус. Для выбранных источников данных могут потребоваться API-ключи. Код доступен по CC BY-NC-SA 4.0 - с ограничением на коммерческое использование. В документации есть инструкции по сборке и установке. https://github.com/yashmulgaonkar/FlightScnr_Pi

🐙 GitHub показал Project HydraFusion - экспериментальный режим Copilot, который сам собирает лучший сценарий из нескольких. Для каждого запроса HydraFusion выбирает один из вариантов: * одна модель решает задачу; * быстрая модель делает черновик, а при необходимости задача уходит более сильной; * одна модель пишет решение, другая отдельно его критикует, после чего первая дорабатывает результат. GitHub тестировал подход на агентных coding-бенчмарках. На TerminalBench 2.1 HydraFusion показал качество на 4,9 п.п. выше Claude Opus 5 при примерно на 67% меньшей расчётной стоимости. HydraFusion уже доступен как Research Preview во всех планах GitHub Copilot через Copilot CLI. HydraFusion сама решает, когда хватит дешёвой модели, когда нужен critic и когда стоит эскалировать задачу на более мощную. https://github.blog/ai-and-ml/github-copilot/project-hydrafusion-frontier-quality-via-multi-model-orchestration/

🔥 DeepSeek v4.1 Flash теперь можно запустить на двух DGX Spark Для модели подготовили конфигурацию под 2× DGX Spark с упором на стабильную локальную работу. Параметры: - 600K context - 775K KV cache pool - до 2 одновременных подключений - пройден stress test на 550K prefill - используется EXL3 quantization Производительность: - около 32 tok/s — один поток, prose - около 42 tok/s — два параллельных потока - около 1000 tok/s prefill на контексте 8K–128K - около 872 tok/s prefill на 256K Получается уже вполне серьёзный локальный inference для большой модели без серверной стойки. GitHub: https://github.com/MiaAI-Lab/DeepSeek-v4.1-Flash-EXL3-2x-DGX-Sparks

🌦 Linecast — погода, карты, радар, приливы, Солнце и Луна прямо в терминале Open-source CLI превращает публичные данные в шесть интерактивных приложений: - linecast weather — погода, почасовой прогноз, AQI и предупреждения - linecast sunshine — восход, закат и длина дня - linecast moon — фазы Луны, восход/заход и календарь - linecast tides — график приливов и отливов - linecast radar — анимированный радар и спутниковые данные - linecast maps — карты, рельеф, поиск мест и маршруты Работает на macOS, Linux и Windows. Написан на Python, почти без зависимостей, не требует аккаунта или API-ключей и подстраивает цвета под тему терминала. Можно даже запустить без установки: uvx linecast weather GitHub: https://github.com/ashuttl/linecast

🐍 Исправление опечаток всего в 21 строке Python Питер Норвиг показал очень компактный пример вероятностного spell checker — без нейросетей и сложных моделей. Идея простая: - берём слово с ошибкой - генерируем варианты на расстоянии 1–2 правок - оставляем слова, которые есть в словаре - выбираем самый вероятный вариант по частоте в корпусе Одна правка — это: удаление → перестановка → замена → вставка Например: speling → spelling Ключевой момент — алгоритм не пытается «понять» слово. Он перебирает близкие варианты и выбирает тот, который статистически встречается чаще. Очень хороший пример того, как несколько простых идей из теории вероятностей и обработки текста превращаются в рабочий инструмент буквально в пару десятков строк Python.

🌐 Твоё ИИ-решение — в одной из крупнейших энергетических компаний России Получи подготовленные данные и разработай ИИ-ассистента для энергетики на соревновании от ПАО «Интер РАО» при поддержке компании «Яндекс». Призовой фонд — 750 000 рублей. Лучшие проекты смогут стать частью экосистемы компании. Регистрация открыта до 27 сентября. Можно участвовать одному или командой до 5 человек. Идеальный состав: разработчик, специалист по машинному обучению, аналитик и дизайнер.

Задачи соревнования — за какую возьмешься? 1️⃣ ИИ-помощник для подготовки презентаций. 2️⃣ Помощник для анализа документов из судов. 3️⃣ Ассистент для создания ИТ/ИБ-дайджестов. 4️⃣ Архитектор BPMN-диаграмм.

Стартуем 28 сентября. Придумай концепт проекта: самые сильные идеи участники доработают под руководством экспертов Группы «Интер РАО» с 9 по 23 октября. Финал в Москве — 3 ноября. ➡️ Регистрируйся: https://cnrlink.com/interraohack26pydj

✔️ Claude выложил вредоносный пакет в PyPI. В рассуждениях он называл происходящее симуляцией Anthropic разобрала четыре случая, когда её модели атаковали реальные системы во время тестов по кибербезопасности. Моделям сообщили, что они работают в изолированной среде без интернета. Но из-за ошибки настройки доступ в сеть остался открытым. Защитные фильтры публичных продуктов на этих тестах были отключены. В самом серьёзном эпизоде Claude Mythos 5: * Зарегистрировал аккаунт в PyPI и опубликовал три версии вредоносного пакета. * Пакет установили 15 систем. * Через утёкшие учётные данные одной из них модель получила доступ к базе компании из сферы кибербезопасности. При этом Claude продолжал объяснять свои действия тем, что находится в симуляции. Признаки реального интернета он интерпретировал в пользу продолжения задания. Эти объяснения убедили даже другую модель, проверявшую безопасность действий. Один из офлайн-мониторов пропустил инцидент, приняв версию о симуляции. Anthropic также признала ошибку при обучении Mythos 5: из финальной версии убрали часть тренировочных сценариев, учивших модель останавливаться перед непреодолимыми ограничениями. Тогда другую версию сочли удобнее в использовании. Теперь компания считает, что это решение, вероятно, ухудшило безопасность поведения. Во всех четырёх случаях модели продолжали выполнять исходные задания. Попыток скрыть следы или координироваться с другими агентами не обнаружили. Независимое расследование проведёт METR. https://www.anthropic.com/research/alignment-assessment-cybersecurity-incidents

🔥 monty-go - безопасный запуск Python-кода от LLM прямо внутри Go Проект оборачивает интерпретатор Pydantic Monty в WebAssembly и запускает его через wazero. Что интересно: - pure Go — без CGO - без контейнеров и subprocess - запуск sandbox меньше миллисекунды - WASM-бинарник всего около 2,9 МБ - можно ограничить память, время, число аллокаций и глубину рекурсии - доступ к файлам и ОС идёт только через разрешённые Go-callbacks - внешние функции работают через pause/resume Главная идея — агент может написать один Python-скрипт, который вызывает ваши Go-инструменты, вместо длинной цепочки отдельных tool calls. Это уменьшает число обращений к модели и упрощает сложные agentic workflow. MIT. https://github.com/fugue-labs/monty-go

⚡️ OriginTracer - низкоуровневая observability-система для Python web stack OriginTracer позволяет трассировать запросы сразу через несколько уровней приложения: - Nginx - Gunicorn - Uvicorn - Django - Celery Главная идея - видеть путь запроса не только внутри одного фреймворка, а через весь стек: от входа через веб-сервер до фоновых задач. Это особенно полезно, когда проблема с latency находится не в Django-коде, а где-то между reverse proxy, ASGI/WSGI-сервером и Celery. Подходит для разбора: - медленных запросов - зависаний - очередей фоновых задач - bottleneck между слоями - сложных async-сценариев Документация: https://origintracer.app/docs/

⚡ OrcaRouter стала лучшей uncensored-версией Qwen3.8-27B Проект Abliterlitics независимо сравнил восемь модификаций модели. Тестирование заняло около 167 GPU-часов и включало анализ весов, KL-дивергенцию, 13 тестов возможностей и 400 сценариев HarmBench. Результаты Qwen3.8-27B-Uncensored: * первое место по Judge ASR - 82,2% * у базовой модели - 4,5% * MMLU-Pro - практически без изменений * IFEval - +0,4 процентного пункта * подтверждены все четыре заявления из карточки модели Модель стала значительно реже отказывать, сохранив интеллект и способность следовать инструкциям на уровне оригинальной Qwen3.8-27B. Итог независимого исследования - «The winner». Анализ: https://abliterlitics.dev/models/qwen38-27b/ Модель: https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored

Python и ИИ в 2026 году: как правильно работать с кодом через ChatGPT, Claude, Cursor и AI-агентов Как использовать ИИ для написания, проверки, рефакторинга и отладки Python-кода. Лучшие промпты, примеры, workflow и правила работы с AI-ассистентами в 2026 году. https://uproger.com/python-i-ii-v-2026-godu-kak-pravilno-rabotat-s-kodom-cherez-chatgpt-claude-cursor-i-ai-agentov/

🦅 Colibrì - движок для запуска очень больших AI-моделей на обычных ПК и рабочих станциях, даже если модель целиком не помещается в видеопамять. Как это работает: MoE-модели состоят из множества «экспертов», но для каждого токена используется только небольшая их часть. Colibrì хранит: * самые нужные веса в VRAM; * менее активные — в RAM; * редко используемые - на NVMe SSD. Когда модели нужен конкретный эксперт, движок подгружает его с диска или из RAM. То есть для запуска условной модели на сотни миллиардов или даже триллионы параметров не обязательно иметь столько же VRAM. Поддерживаются CPU, CUDA, Metal и смешанное размещение модели. Проще говоря: Colibrì позволяет запускать гигантские MoE-модели локально, жертвуя в первую очередь скоростью, а не возможностью их вообще запустить. https://github.com/JustVugg/colibri

VCR.py - очень удобная библиотека для тестирования Python-кода, который ходит во внешние API. Первый запуск теста делает реальные HTTP-запросы и сохраняет ответы в так называемую cassette - по умолчанию YAML-файл. Следующие запуски уже не идут в сеть: VCR.py перехватывает знакомый запрос и возвращает сохранённый ответ. Что это даёт: - тесты становятся детерминированными - их можно запускать офлайн - они работают заметно быстрее - внешнее API не нужно дёргать сотни раз в CI - если API изменилось, cassette можно просто перезаписать Особенно полезно для тестов интеграций с REST API, платёжными сервисами, LLM API и любыми внешними HTTP-сервисами. Проект активно развивается: в актуальной ветке 8.x есть поддержка HTTPX, custom transports, безопасная загрузка YAML и свежая поддержка niquests. MIT License. https://github.com/kevin1024/vcrpy

⚡️ GPT-6 Astra подняла рекорд Epoch AI с 163 до 169 ECI GPT-6 Astra установила новый максимум в индексе возможностей Epoch AI - 169 баллов против предыдущих 163. Для масштаба: тренд эпохи reasoning-моделей составляет около 15 ECI в год, поэтому скачок на 6 пунктов соответствует примерно пяти месяцам прогресса. Astra находится немного выше трендовой линии, но всё ещё в пределах ожидаемого диапазона. Особенно выделяются отдельные результаты: - 84% на Mystery Game Puzzles против предыдущего рекорда в 59% - 98% на FrontierMath Tier 4 - Epoch уже считает этот уровень практически полностью насыщенным При этом результат заметно расходится с рейтингом Artificial Analysis Intelligence Index. Причина в методологии: Epoch и Artificial Analysis используют разные наборы тестов и веса. AA сильнее акцентирует coding и agentic-задачи, поэтому лидерство Astra в ECI не означает автоматического лидерства во всех практических сценариях. По метрике Epoch скачок действительно большой - +6 ECI за одно поколение модели. https://x.com/Machinelearrn/status/2095826666702393538

🔥 AI Job Search - open-source система, которая превращает Claude Code в помощника по поиску работы Она умеет: - анализировать вакансии и оценивать, насколько они подходят - подгонять CV под конкретную позицию - писать сопроводительные письма - готовить к интервью - искать вакансии через отдельные skills - хранить профиль, документы и историю откликов локально Интересно, что автор сам использовал этот workflow для поиска работы: 69 адаптированных откликов → 20 первых интервью → 1 оффер. Проект построен как набор команд /setup, /scrape, /apply, /interview и легко форкается под свои сайты вакансий и рынок. MIT License. https://github.com/MadsLorentzen/ai-job-search

🚀 Целую AI-компанию можно запустить прямо на своём компьютере. Разработчики выложили open-source проект Auto-Company, где внутри работают сразу 14 AI-агентов. Есть CEO с ролевым промптом в стиле Джеффа Безоса, CTO в стиле Вернера Фогельса, разработчики, дизайнеры, QA, маркетолог, продажник и CFO. Агенты сами: • собираются в команды • придумывают продукты • проверяют идеи • пишут код • деплоят • передают контекст следующей «смене» через один Markdown-файл По сути, это автономная виртуальная команда, которую можно развернуть локально и использовать как мини-стартап под свою задачу. https://github.com/MaxMiksa/Auto-Company

Код Ревью в 2026

⚡️ KTransformers - open-source фреймворк из Китая, который позволяет запускать огромные модели на обычном потребительском железе. Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера. Что заявляют разработчики: - до 28× быстрее инференс в отдельных сценариях - дообучение DeepSeek-V3 на 4 потребительских GPU - поддержка Kimi-K2, GLM-5 и MiniMax - без облака и собственного дата-центра - полностью open source Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей. https://github.com/kvcache-ai/ktransformers