Python/ django

⚡️ OmniVoice - открытая модель озвучки с поддержкой более 600 языков. Она умеет клонировать голос по 3–10 секундам записи и озвучивать новый текст этим голосом. Можно также задать характеристики голоса словами - например, тембр или акцент, либо позволить модели выбрать голос самой. Для разработчиков есть Python API, CLI и локальное веб-демо. Авторы заявляют скорость генерации до 40× быстрее реального времени, но это показатель для отдельных условий запуска, а не гарантия для любого устройства. Режим создания голоса по описанию обучали преимущественно на английском и китайском, поэтому на других языках результат может быть нестабильным. Подойдёт для озвучки роликов, локализации и голосовых интерфейсов - особенно если нужен язык, который редко встречается в TTS-моделях. GitHub: k2-fsa/OmniVoice: https://github.com/k2-fsa/OmniVoice

⚡ Qwen представила Audio 3.1 - единый стек для ASR, TTS и realtime-аудио. Главное: * ASR лучше распознаёт языки и диалекты, убирает повторы и слова-паразиты. * ASR-Next разделяет спикеров, ставит таймкоды, распознаёт эмоции и окружающие звуки. * TTS поддерживает перенос голоса между языками и управление стилем, скоростью и эмоцией. * TTS-Next генерирует сразу голос + эффекты + фон через связку LM + diffusion. * Realtime умеет одновременно слушать и говорить с естественными перебиваниями. Плюс сильно снизили цены: TTS ~−70%, Realtime ~−85%, ASR до −95%. - Qwen-Audio-3.1-ASR: https://qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans - Qwen-Audio-3.1-Realtime: https://qwencloud.com/models/qwen-audio-3.1-realtime-plus

🐍 Ruff доволен, mypy молчит, тесты зелёные. А в коде четыре одинаковых функции Автор статьи столкнулся с этим в проекте, который писал ИИ-агент. Вместо поиска готовых функций агент добавлял новые копии. Когда понадобилось изменить нормализацию данных, он уже не мог разобраться, какую из четырёх править. Обычные проверки не покрывают всю структуру проекта: * Ruff находит нарушения правил и умеет проверять сложность при соответствующей настройке. * mypy проверяет типы. * pytest проверяет сценарии, для которых написаны тесты. При этом дублирование между файлами, неиспользуемые функции и нарушения архитектурных границ могут остаться незамеченными. Автор предлагает добавить структурный анализ. Его инструмент pyscn ищет дубли, сложные функции, мёртвый код и нарушения правил зависимостей:

uvx pyscn analyze .

Что полезно забрать в свой проект: * Блокировать в CI новые проблемы, а не сразу весь накопленный техдолг. * Следить за изменением сложности, а не только за общей оценкой. * Закрепить допустимые зависимости между модулями проверяемыми правилами. * Дать агенту запускать анализатор до отправки кода на ревью. Высокая сложность сама по себе ещё не повод переписывать функцию. Иногда длинная последовательность понятных проверок лучше искусственного дробления. Статья — https://codescan.dev/blog/ruff-mypy-pytest-and-then-what

🐍 В CPython одно чтение `__dict__` может навсегда замедлить доступ к атрибутам конкретного объекта. Начиная с Python 3.11 обычный obj.x часто вообще не делает lookup по словарю. После прогрева интерпретатор специализирует LOAD_ATTR, а значение читается почти напрямую из inline storage объекта. Но достаточно выполнить:

`obj.__dict__`

или:

`vars(obj)`

а в некоторых случаях даже:

`copy.copy(obj)`

— и __dict__ материализуется. После этого объект теряет быстрый специализированный путь на оставшееся время жизни. На CPython 3.14.6 в тесте на M3: обычный объект → 33.0 ms после чтения __dict__ → 50.6 ms В free-threaded сборке разрыв ещё больше: 34.0 ms → 59.4 ms. Интересная деталь: __slots__ сам по себе почти не ускоряет обычный attribute access. Его преимущество здесь в другом — у объекта нет __dict__, значит его невозможно случайно материализовать и сбить оптимизацию. Очень неочевидная причина, почему vars() или copy.copy() внутри hot path могут неожиданно ударить по производительности. https://deadlovelll.github.io/2026-09-05-reading-dict-deoptimizes-attribute-access/

🔥 Qwen представила Qwen3.8-Omni-Flash - свою первую мультимодальную модель, изначально заточенную под агентные задачи. Она одновременно работает с видео и аудио, умеет рассуждать по увиденному и услышанному, планировать действия и подключать инструменты. Среди сценариев — автоматический монтаж влогов, перевод коротких видео, создание пересказов фильмов и поиск нужных эпизодов в длинных записях. По данным Qwen, на WildClawBench-MM и UniClawBench модель прибавила в среднем 19,5 пункта в агентных задачах и приблизилась к Gemini 3.8 Flash по работе с аудио и видео. Контекст - 1 млн токенов. На OmniVideoBench активный поиск по длинному видео позволил сократить расход токенов на 51,8% по сравнению со статическим анализом. Стоимость обработки видео при этом снизилась примерно на 89% относительно Qwen3.5-Omni-Plus. Вместе с моделью Qwen открывает Qwen-MM-Plugins для мультимодальных инструментов. Qwen-Live Harness также будет опубликован отдельно. https://qwen.ai/blog?id=qwen3.8-omni-flash

🔥 Package Doctor - необычный security-сканер для Python-зависимостей Он отвечает не только на вопрос «есть ли у пакета CVE?», а на более практичный: если завтра в этой зависимости найдут уязвимость, вы реально под угрозой и есть ли вообще кому её исправлять? Package Doctor оценивает сразу две вещи: - находится ли библиотека на trust boundary: auth, загрузка файлов, десериализация, crypto, URL parsing, model loading и т.д. - есть ли у проекта реальная способность быстро выпустить фикс Плюс инструмент: - проверяет pinned-версии по advisory-базам - учитывает CISA KEV и EPSS - AST-парсит ваш код и показывает, где зависимость реально импортируется - отличает abandoned package от просто редко обновляемого - умеет работать как hook для Claude Code и блокировать подозрительную зависимость до pip install Интересный подход: не засыпать разработчика сотнями CVE, а приоритизировать именно те зависимости, где одновременно есть экспозиция + слабая поддержка. Автор отдельно рекомендует использовать его вместе с pip-audit, а не вместо него. https://github.com/binuka200/package-doctor

🔥 Один из лучших обучающих курсов на StepiK по SQL SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде. Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами. Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой. После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают. Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/

🔥 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/