Python/ django

Array API + JIT: как ускорять scientific Python без CUDA C Quansight разобрали важную проблему: Array API помогает писать код под разные array-бэкенды, но в SciPy и похожих библиотеках много compiled-кода, который сложнее переносить на GPU и multicore CPU. Авторы предлагают использовать Array API + JIT/AOT-компиляцию как альтернативу ручным специализированным kernels. На примере SciPy RBF interpolator авторы показывают, что такой подход может дать серьёзный прирост производительности на CUDA без написания CUDA C-кода. Scientific Python постепенно уходит от модели «пишем отдельную реализацию под каждое железо» к более удобному стеку, где один код может работать быстрее на разных backend’ах. https://labs.quansight.org/blog/array-api-aot-jit @pythonl

Мы это не заслужили )

Anthropic выкатила Claude Sonnet 5 - мощнейший «агентный» Sonnet в линейке. Главная идея: модель теперь лучше планирует, пользуется инструментами, браузером, терминалом и может дольше вести сложные задачи без постоянного контроля. По словам Anthropic, Sonnet 5 приблизился к Opus 4.8 по агентным задачам, но стоит дешевле. Особенно упор сделали на кодинг, tool use, reasoning и работу с многошаговыми процессами. Модель уже доступна во всех планах Claude, включая Free и Pro, а также в Claude Code и API. Цена для разработчиков до 31 августа 2026: • $2 за 1 млн input tokens • $10 за 1 млн output tokens Потом стандартная цена: • $3 за input • $15 за output Интересный момент: Anthropic отдельно пишет, что Sonnet 5 безопаснее Sonnet 4.6 в агентных сценариях, лучше отказывается от вредных запросов и устойчивее к prompt injection. По сути, это попытка сделать «рабочую лошадку» для AI-агентов: не самую дорогую, но достаточно сильную, чтобы закрывать кодинг, автоматизацию, браузерные задачи и долгие пайплайны. https://www.anthropic.com/news/claude-sonnet-5

Как запустить своего Джарвиса за 5 минут: локальный AI-ассистент OpenJarvis Идея простая: вместо очередного облачного чат-бота вы собираете персонального AI-помощника, который работает ближе к вашему устройству, файлам и задачам. https://github.com/open-jarvis/OpenJarvis

🖥 GitHub Pages можно пересобрать почти на голом Python. Автор показал, как сделать лёгкую платформу для хостинга статических сайтов без фреймворков и тяжёлой инфраструктуры. Только стандартная библиотека Python. Идея простая: • http.server отдаёт статические файлы • небольшой Python-код добавляет логику деплоя • автоматизация обновляет сайт после изменений • HTTPS можно прикрутить без отдельного большого стека Главный кайф не в том, чтобы «убить GitHub Pages», а в том, чтобы понять механику под капотом. Статический хостинг - это не магия. Это файловая раздача, маршруты, деплой, сертификаты и немного аккуратной автоматизации. Хороший материал для тех, кто хочет лучше понимать web-инфраструктуру, а не просто нажимать кнопку Deploy. https://blog.klemek.fr/articles/2026-06-14/

Вышел scikit-learn 1.9. Это не релиз про «новую модную модель», а про то, что библиотека становится удобнее для реальной ML-разработки. Главное: • experimental callbacks Теперь можно вешать callbacks на estimator-ы через set_callbacks() и отслеживать ключевые этапы fit. Из коробки есть ProgressBar для прогресса и ScoringMonitor для логирования метрик. • лучшее HTML-представление моделей В Jupyter estimator-ы теперь показывают больше полезной информации после fit: fitted attributes, типы, значения, output features у трансформеров и пайплайнов. Для сложных Pipeline, ColumnTransformer и FeatureUnion это реально удобнее, чем вручную копаться в атрибутах. • новый sparse_interface Появилась настройка:

sklearn.set_config(sparse_interface="sparray")

Она позволяет управлять тем, возвращает scikit-learn старые SciPy sparse matrix или новые sparse array. Пока default остаётся spmatrix, но дальше библиотека будет постепенно двигаться к sparray. • больше поддержки Array API Часть моделей и метрик теперь лучше работает с Array API-compatible inputs. • Narwhals как новая лёгкая зависимость Она нужна, чтобы проще поддерживать разные dataframe-библиотеки, например pandas и polars, особенно в связке с set_output. Обновление:

pip install --upgrade scikit-learn

https://blog.scikit-learn.org/updates/release-1-9/

В Python есть встроенный кэш, о котором многие забывают. Если функция часто вызывается с одними и теми же аргументами, не всегда нужно руками писать словарь, Redis или отдельный слой кэширования. Иногда хватает lru_cache из стандартного модуля functools. Пример:

from functools import lru_cache

@lru_cache(maxsize=128)
def get_user(user_id):
    print("Запрос к базе")
    return {"id": user_id}

Первый вызов выполнит функцию. Повторный вызов с тем же user_id вернёт результат из кэша.

get_user(1)  # Запрос к базе
get_user(1)  # уже из кэша

maxsize ограничивает размер кэша, а старые значения вытесняются по принципу LRU: least recently used. Полезно для: • тяжёлых вычислений • запросов к API • чтения редко меняющихся данных • рекурсивных алгоритмов Главное помнить: lru_cache хорошо работает, когда результат функции зависит только от её аргументов.

🖥 10 GitHub-репозиториев для Парсинга Сохрани, если работаешь с парсингом, RAG, LLM-пайплайнами или автоматизацией браузера. Важно: использовать такие инструменты стоит только там, где у вас есть право собирать данные, с учётом ToS, robots.txt и лимитов сайта. 1. Firecrawl Превращает сайт в чистый Markdown или JSON, удобный для LLM и RAG. https://github.com/firecrawl/firecrawl 2. Crawl4AI Краулер, который делает страницы LLM-ready без лишней настройки. https://github.com/unclecode/crawl4ai 3. Browser Use AI-агент, который управляет браузером: клики, формы, навигация, сбор данных через UI. https://github.com/browser-use/browser-use 4. Crawlee Production-фреймворк для краулинга: очереди, ретраи, браузерная автоматизация, хранение результатов. https://github.com/apify/crawlee 5. Scrapy Классика Python-скрейпинга. Подходит для больших краулеров и стабильных data pipelines. https://github.com/scrapy/scrapy 6. MarkItDown Инструмент Microsoft для конвертации PDF, Office, HTML и других форматов в Markdown. https://github.com/microsoft/markitdown 7. Scrapling Фреймворк для более устойчивого парсинга страниц, которые часто меняют структуру. https://github.com/D4Vinci/Scrapling 8. scrcpy Управление Android-устройством с компьютера. Полезно для тестирования и автоматизации mobile-only сценариев. https://github.com/Genymobile/scrcpy 9. AutoScraper Показываете пример нужных данных, а он сам пытается найти похожие элементы на странице. https://github.com/alirezamika/autoscraper 10. curl-impersonate Версия curl, которая имитирует сетевой профиль популярных браузеров. Полезно для тестов и совместимости. https://github.com/lwthiker/curl-impersonate Современный scraping давно перерос requests + BeautifulSoup. Теперь это целая инфраструктура: браузерные агенты, Markdown для LLM, очереди, мобильная автоматизация и пайплайны для подготовки данных под AI.

Идёт регистрация на Робозон — хакатон по оптимизации складских процессов от Ozon Tech. Призовой фонд: 15 000 000 рублей. Три задачи на выбор, два месяца на решение, один реальный бизнес-процесс, в рамках которого и нужно думать. Какие решения ждут: — модель движения товаров в сортировочном центре; — проект-конструкция автосортера; — алгоритм классификации и обработки товаров с помощью CV. Робозон — это возможность поработать с логикой и ограничениями высоконагруженной среды. Проверить свои навыки на процессах индустрии e-com. Обсудить решения с экспертами Ozon Tech.

📌 Mistral AI представила OCR 4. Модель превращает документ в структуру: • выделяет блоки через bounding boxes • понимает типы элементов: заголовок, таблица, формула, подпись • показывает confidence score по страницам и словам • работает на 170 языках Главная польза не в «распознать текст», а в том, чтобы дальше нормально использовать документы в RAG, enterprise search, редактировании, проверке человеком и агентных пайплайнах. Mistral заявляет, что OCR 4 обошла конкурентов в слепом сравнении на 600+ реальных документах и набрала 85.20 на OlmOCRBench. Модель можно запускать self-hosted в одном контейнере, чтобы документы не покидали вашу инфраструктуру. Цена через API: $4 за 1000 страниц, через Batch API: $2 за 1000 страниц. https://mistral.ai/news/ocr-4/

Один из главных мифов вокруг ИИ-кодинга: достаточно найти правильный промпт — и модель начнет писать хороший код Но на практике два разработчика могут отправить одинаковый запрос: «создай API для пользователей» — и получить совершенно разный результат. Один получит аккуратный FastAPI-сервис с типами, тестами и обработкой ошибок. Другой — код, который придется переписывать после первого изменения. Причина часто не в модели. LLM (большие языковые модели) не знает, как устроен ваш проект: какие архитектурные решения приняты, какие стандарты действуют и что команда считает качественным результатом. Поэтому стоит выстраивать вокруг ИИ тот же инженерный слой, который уже есть в обычной разработке: правила проекта, чек-листы, автоматические проверки и понятные критерии качества. На бесплатном вебинаре karpovꓸcourses «ИИ-агенты и профессиональная разработка на Python» Алексей Жиряков покажет вживую, почему ИИ-код ломается в реальных проектах и как это исправлять. Алексей — исполнительный директор в Сбере, занимается развитием генеративного ИИ, а до этого более 15 лет работал в backend-разработке и руководил инженерными командами. Будет живое демо поверх готового репозитория: как настроить процесс, получить более чистый типизированный код и использовать продакшен-подход вроде связки «дешевая модель пишет — дорогая ревьюит», которая помогает снижать стоимость генерации. Присоединяйтесь по ссылке, а после регистрации вы получите гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента»: https://clc.to/erid_2W5zFHK9mww Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHK9mww

Как создать аннотированный график с помощью #Python и matplotlib 🐍📊

Скажи мне 5 главных слов: на GitVerse появилось зеркало PyPI! 😎 Все нужные Python‑пакеты живут на российской платформе для разработчиков GitVerse — вы не потеряете доступ к ним, даже если основной PyPI решит «повиснуть». А ещё такое зеркало — плюс к скорости: меньше сетевых прыжков — быстрее загрузка. Ставьте его как основной источник или держите как резерв. Тут рассказали, как подключить зеркало!

Следом Baidu выпустила Unlimited OCR - модель для распознавания длинных документов за один проход. У модели 3B параметров, но активируются только 500M. При этом она показывает новые SOTA-результаты на OmniDocBench v1.5 и v1.6. Главная фишка - Reference Sliding Window Attention. Модель держит в фокусе: • исходный документ • недавний контекст • следующие слова А всё лишнее постепенно «забывает», чтобы не раздувать вычисления. За счёт постоянного размера KV Cache и более дешёвого attention Unlimited OCR может распознавать 40+ страниц за один forward pass, не теряя контекст и не замедляясь. GitHub: https://github.com/baidu/Unlimited-OCR Hugging Face: https://huggingface.co/baidu/Unlimited-OCR @ai_machinelearning_big_data

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

Python Tip: pickle — быстрый способ сохранить Python-объекты в файл. pickle умеет сериализовать почти любые Python-структуры: словари, списки, кортежи, set, числа, строки и даже более сложные объекты. Пример:

import pickle

data = {
    "name": "Alice",
    "scores": [10, 20, 30],
    "active": True
}

with open("data.pickle", "wb") as f:
    pickle.dump(data, f)

with open("data.pickle", "rb") as f:
    loaded_data = pickle.load(f)

print(loaded_data)

Главный нюанс: pickle небезопасен. Никогда не загружайте `.pickle`-файлы из неизвестных источников, потому что при чтении они могут выполнить вредоносный код. Используйте pickle только для внутренних данных, которым доверяете.

Pew Research опубликовали свежий отчёт «Americans and AI 2026». Только 16% американцев теперь ожидают, что ИИ принесёт пользу обществу в следующие 20 лет, а 40% считают, что ИИ навредит обществу за тот же период. 24% американцев используют чат-боты ежедневно: 12% - несколько раз в день, 4%, почти постоянно. 51% взрослых жителей США всё ещё вообще не пользуются ИИ-чат-ботами. 42% используют чат-боты для поиска информации, и это делает поиск главным сценарием применения. 38% работающих взрослых используют чат-боты для рабочих задач. 10% используют их для эмоциональной поддержки или советов, а 4% - для общения и чувства компании. ChatGPT доминирует по уровню использования: 44% взрослых американцев сообщили, что пользовались им. Дальше идут Gemini - 24%, Copilot — 17%, Meta AI — 14%, Grok — 8%, Claude — 6% и Character.ai — 3%. Взрослые младше 50 лет примерно в два раза чаще пользуются ChatGPT, чем люди старшего возраста: 57% против 28%. 30% говорят, что чат-боты помогают им с продуктивностью, и только 5% считают, что они ей вредят. 28% говорят, что чат-боты помогают им оставаться в курсе событий, и только 5% считают, что они мешают этому. 60% взрослых жителей США читают ИИ-сводки в поиске. Это значит, что ИИ уже влияет на потребление информации даже у тех, кто может активно не пользоваться чат-ботами. https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/

🏆 Итоги Первого Кубка нейроконтента в МосХаб.Сколково Вчера наше пространство превратилось в настоящую нейролабораторию. 150 дизайнеров, разработчиков, сценаристов и AI-специалистов собрались, чтобы за несколько часов создать вертикальные ролики с помощью нейросетей. Участники работали по четырём социально значимым кейсам: «Москва 2040: технологии для людей», «Технологическое будущее: страна инженеров», «Код жизни: медицина будущего» и «Москва — город заботы». Главный кубок второй год подряд завоевала команда «Кролики». Генеральный директор платформы «Россия — страна возможностей» Андрей Бетин отметил: «Из 1300 заявок в финал вышли сильнейшие. Это подтверждает высокий уровень подготовки участников и их творческий потенциал». Кубок нейроконтента подтвердил: нейросети усиливают замысел человека, но не заменяют его. Настоящий прорыв — в тандеме живого творчества и цифровых технологий. МосХаб.Сколково — та самая точка, где такие проекты становятся реальностью. Фото с мероприятия — в альбоме Подписывайтесь: Telegram | МАКС | ВКонтакте

⚡️ Linux Roadmap: подробный практический курс от нуля до уверенного администратора Это пошаговый маршрут изучения Linux с упором на практику. Каждый раздел содержит объяснение «почему это устроено именно так», разбор команд и обязательные задания, которые нужно выполнить руками в терминале. Чтение без повторения навыка не даёт — держите терминал открытым рядом с этим текстом. Как работать с этим курсом: идите сверху вниз, не перепрыгивайте разделы; каждую команду набирайте руками, а не копируйте; в конце каждого блока выполняйте задание; специально ломайте систему в виртуалке и чините — это лучший способ учиться. https://github.com/justxor/linuxfullroadmap/

OpenMythos - open-source попытка теоретически реконструировать Claude Mythos, где все архитектурные ставки расписаны прямо в README. По сути, OpenMythos это публичная гипотеза, которая ещё и запускается. Что авторы считают основой Mythos? Не глубокий стек уникальных слоёв, а Recurrent-Depth Transformer. MoE с активацией около 5% параметров, поэтому общий размер модели скорее показывает объём хранения, а не реальную стоимость вычислений. Loop-index positional embedding, чтобы каждая итерация работала как отдельная вычислительная фаза. ACT halting, чтобы модель сама решала, когда ей достаточно “думать”, причём отдельно для каждого токена. И ещё continuous latent thoughts, которые могут кодировать сразу несколько следующих шагов. По смыслу это похоже на breadth-first search внутри одного forward pass. Источники идей тоже понятны: Parcae для стабильности, Universal Transformers для halting, DeepSeek для MoE routing. GitHub: http://github.com/kyegomez/OpenMythos