Python/ django

🤖 LingBot-VLA - это прогрессивная модель, объединяющая визуальные, языковые и действия для роботов. Она обучена на 20,000 часов реальных данных и демонстрирует высокую эффективность и производительность в симуляциях и реальных задачах. 🚀 Основные моменты: - Обширные данные для предобучения - Превосходные результаты по сравнению с конкурентами - Увеличенная скорость обучения на 1.5-2.8x 📌 GitHub: https://github.com/Robbyant/lingbot-vla #python

⚡️«Ollama для клонирования голоса». Voicebox позволяет клонировать любой голос по нескольким секундам аудио и запускать всё полностью локально. • Без подписок. • Без облака. • Без передачи голосовых данных на серверы. В основе - Qwen3-TTS, одна из самых продвинутых моделей синтеза речи от Alibaba. Как это работает → Загружаешь несколько секунд голоса → Получаешь почти точную копию → Генерируешь речь на любом языке → Можешь смешивать несколько голосов в редакторе, как в DAW Это полноценная студия для работы с голосом: → Многодорожечный таймлайн для подкастов и диалогов → Запись системного звука + встроенная транскрипция через Whisper → Кэширование голосовых промптов для мгновенной генерации → Написан на Tauri (Rust) — в 10 раз легче Electron и с нативной производительностью Полностью open-source. Лицензия MIT. GitHub: https://github.com/jamiepine/voicebox

→ Разница между C++ и Python @pythonl

🔴 Реальный собес на Python от ТехЛида с опытом работы в Авито и Яндексе в прямом эфире 17 февраля(уже завтра!) в 19:00 по мск приходи на прямой эфир с реальным собеседованием на Middle разработчика. Почему точно нужно прийти: 📂 Савва Демиденко, ТехЛид с опытом в Яндексе и Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Савва будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Савве 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.

⚡️ Вышел FireRed-Image-Edit-1.0 - новая SOTA для редактирования изображений. И самое интересное - это open-source и готово к локальному запуску. Что умеет модель: - Обгоняет закрытые решения (лучше Nano-Banana и Seedream 4.0 на бенчмарке GEdit) - Построена с нуля на базе Text-to-Image, а не как надстройка поверх старых моделей - Рекорд по стилевому переносу — 4.97 / 5.0 - Аккуратно сохраняет оригинальные шрифты и текст - Поддерживает multi-image редактирование (например, виртуальная примерка одежды) - Понимает промпты на английском и китайском - Лицензия Apache 2.0 - Можно запускать локально - Подходит для продакшена и коммерческих проектов ▪Модель: https://modelscope.cn/models/FireRedTeam/FireRed-Image-Edit-1.0 ▪Демо: https://modelscope.cn/studios/FireRedTeam/FireRed-Image-Edit-1.0 ▪GitHub: https://github.com/FireRedTeam/FireRed-Image-Edit @pythonl

LuxTTS - очень быстрый и компактный TTS с клонированием голоса Модель со ставкой на скорость + реализм, при этом она остается лёгкой и доступной по ресурсам. Главные фишки: - ⚡ До 150× realtime при генерации речи - 🎙️ Хорошая передача эмоций и естественности - 🧬 Качественное voice cloning - 💾 Влезает примерно в 1 ГБ VRAM - 🖥️ Работает и на CPU - 2–6× realtime Подходит для: - голосовых ассистентов - озвучки приложений - быстрых прототипов без тяжёлой инфраструктуры - LuxTTS работает как мульти-язычная TTS-модель, и русский входит в список языков. Repo: https://github.com/ysharma3501/LuxTTS Модель: https://huggingface.co/YatharthS/LuxTTS @pythonl

ROBOPARTY/roboto_origin - полностью open-source DIY гуманоидный робот 🤖 Это репозиторий с исходниками для открытого человекоподобного робота ROBOTO_ORIGIN от команды RoboParty. Вся разработка - механика, электроника, софт и обучение - выложена публично, чтобы любой мог собрать и доработать своего робота. Главная идея • Полноценный open-source гуманоид для R&D, обучения и экспериментов • Возможность собрать робота из доступных компонентов по открытым материалам • В одном месте: код, описания, симуляции и среда для разработки Что есть в репозитории • modules/ — модули с кодом и описаниями для железа, ROS2 и управления • Подпроекты для: - механики и электроники - ROS2-драйверов и middleware - симуляции и обучающих сред - URDF-моделей и кинематики Особенности • Открытая архитектура, можно расширять и модифицировать под свои задачи • Поддержка ROS2 и симуляции для тестирования и обучения • Фокус на доступности, проект ориентирован на сборку из массовых компонентов По сути это полный open-source стек для создания собственного гуманоидного робота - от «железа» до софта и симуляции. https://github.com/Roboparty/roboto_origin 📲Max @pythonl

✉️ Вам приглашение на 35-летний юбилей Python 🐍🎉 Python уже совсем взрослый — и мы отмечаем это уютной конференцией вместе с комьюнити: докладами, интерактивами и праздничной атмосферой. 📍 Встречаемся в пятницу, 20 февраля, в 15:30 — в московском офисе Сбера и онлайн. В программе: 🔹 Доклады от топовых спикеров — обсудим будущее Python, ИИ в кодинге, мутационное тестирование и многое другое. 🔸 Интерактивные зоны и праздничная атмосфера — кодинг-активности, нетворкинг и, конечно, торт 🎂 Проведём этот день вместе — в офисе или онлайн. Ждём вас 20 февраля в 15:30! Регистрация по ссылке. 👈

🦀 Crabwalk: Мониторинг AI-агентов в реальном времени Crabwalk — это инструмент для наблюдения за работой AI-агентов на платформах WhatsApp, Telegram, Discord и Slack. Он визуализирует сессии агентов в виде графа, позволяя отслеживать их действия и состояния в реальном времени. 🚀Основные моменты: - Живой граф активности с визуализацией сессий - Поддержка нескольких платформ одновременно - Реальное время через WebSocket - Отслеживание действий и параметров инструментов - Фильтрация сессий по платформе и получателю 📌 GitHub: https://github.com/luccast/crabwalk

⚡️ Появился любопытный open-source проект на стыке LLM и кибербезопасности - PentestAgent. Это система AI-агентов для black-box пентеста, где атака моделируется как оркестрация нескольких специализированных агентов, а не один «умный бот». Что он делает В автономном режиме система может прогонять целые пайплайны, имитируя работу red team: - цепочки разведки (recon) - анализ уязвимостей - попытки эксплуатации - формирование отчётов Инструменты подключены напрямую Агенты умеют работать с классическими пентест-утилитами: - Nmap - Metasploit - FFUF - SQLMap То есть это не «LLM рассуждает в вакууме», а связка LLM + реальные security-инструменты. Архитектурные фишки - RAG для подтягивания контекстных знаний - tool chaining — агенты передают результаты друг другу - встроенный браузер и поиск - dockerized окружение с инструментами - всё это оркестрируется «командами» LLM-агентов По сути, это попытка превратить пентест из набора ручных шагов в агентную систему с автоматическим циклом разведка → анализ → действие → отчёт. github.com/GH05TCREW/pentestagent

Это репозиторий с реализацией DensePose через Wi-Fi-сигналы — то есть попытка получать плотные представления (DensePose) тела людей на основе Wi-Fi-данных, а не обычной камеры. Такая идея может использоваться для анализа движения через радиосигналы в помещении, без видео-камер, с акцентом на приватность. Если тебе интересны нестандартные подходы к компьютерному зрению, беспроводным сигналам и сенсорике без камер — обязательно посмотри. 🔗 Есть интересный проект: https://github.com/ruvnet/wifi-densepose @pythonl

📢 Production Python Engineer (Refactor/Architecture) антифрод‑пайплайн. Мы разрабатываем сложную систему анализа сетевых аномалий. У нас мощный R&D: мы умеем детектировать ботов, VPN и прокси по сетевым отпечаткам. Текущая задача: У нас есть работающий код (написанный исследователями), который нужно превратить в надежный инженерный продукт. Нам нужен человек, который наведет порядок, внедрит архитектуру и типизацию. ### Задачи: 1. Глубокий рефакторинг и стабилизация: Перевод с неструктурированных словарей на строгие контракты данных (Pydantic/TypedDict). 2. Архитектура: Внедрение паттерна Pipeline с единым контекстом обработки (Парсинг → Обогащение → Детекция → Ответ). Цель — сделать логику прозрачной и модульной. 3. Оптимизация работы с БД: Ревизия взаимодействия с PostgreSQL (оптимизация структур, миграции). 4. Культура разработки: Внедрение: mypy, pytest, чистотой Git-истории. ### Наши ожидания: - Python Strong: Глубокое понимание языка, ООП, паттернов проектирования. Ваш код, легко читать и поддерживать. - Strict Typing: Частое использование аннотаций. Опыт работы с Pydantic (валидация данных на входе/выходе/внутри) и статическими анализаторами (mypy/ruff). - Architecture: Умение проектировать модульные системы. Понимание, как разделить бизнес-логику и инфраструктурный слой. - AsyncIO & PostgreSQL: Опыт работы с асинхронностью и сложными SQL-запросами. Понимание транзакций и индексов. - Testing: Опыт написания тестов (pytest) не «для галочки», а для гарантии надежности при рефакторинге. - Git Culture: Умение работать с Git «чисто»: атомарные коммиты, понятные PR, интерактивный rebase. ### Soft skills: - Устойчивость к рутине: Рефакторинг. Готовность методично распутывать клубок легаси-кода. - «Инженерная эмпатия»: Способность прочитать чужой код (даже если он плохой), понять логику автора и переписать её правильно, не сломав бизнес-логику. - Внимательность к деталям. - Здоровый перфекционизм: Желание привести хаос к порядку. ### Будет большим плюсом: - Глубокое понимание сетевых протоколов (TCP/IP, TLS, HTTP/2). - Rule-based scoring, анализ “плавающей логики”. - Опыт переноса Research-кода (Jupyter Notebooks) в Production. ### Условия - Удаленка - любое ГЕО, не требуется присутствие в офисе. - Зарплата От 120 - 250 тыс. руб. на руки (возможна оплата в USDT), выплата - два раза в месяц. - in-house продукт, в котором вы свободны и можете реализовать свои идеи. - Доступ к самым передовым LLM (Sonnet 4.5, GPT-5.2). - Дружный коллектив. Который ценит качество кода. ### Как откликнутся: Заполнить форму https://forms.gle/5tVNBxsJ22b8NKCc8 , приложить свой гитхаб, рассказать о себе и своём опыте.

🔍 Исследуй связи с Эпштейном EpsteIn позволяет искать упоминания ваших контактов из LinkedIn в открытых судебных документах Эпштейна. Просто загрузите файл с вашими связями и получите отчет в формате HTML о найденных совпадениях. 🚀 Основные моменты: - Поиск по судебным документам Эпштейна - Генерация отчетов в HTML - Упоминания сортируются по количеству - Поддержка точного совпадения имен 📌 GitHub: https://github.com/cfinke/EpsteIn #python

🛠️ Трекер токенов для LLM CLI инструментов Sherlock предоставляет живую панель мониторинга для отслеживания использования токенов в LLM CLI инструментах. Вы можете в реальном времени видеть, сколько токенов вы используете, а также сохранять все запросы для последующего анализа. 🚀 Основные моменты: - Отслеживание использования токенов в реальном времени - Визуализация контекстных окон с индикатором - Автоматическое сохранение запросов в формате Markdown и JSON - Никакой конфигурации — просто установите и используйте 📌 GitHub: https://github.com/jmuncor/sherlock #python 📲Max

🖥 Если ищете идеи и готовые решения для LLM-проектов — есть полезный репозиторий. awesome-llm-apps - это коллекция production-готовых AI-приложений, которые можно запустить уже сегодня. Что внутри: → Нужен RAG? Есть готовый код → Нужны AI-агенты? Есть примеры → Нужны multimodal-приложения? Тоже есть → Хотите собрать AI-SaaS? Базовая архитектура уже реализована Главное отличие — здесь нет: - учебных Hello World - игрушечных демо - упрощённых примеров Только реальные приложения: - с архитектурой - интеграциями - рабочей логикой - которые можно доработать и задеплоить Хороший вариант, если: - не знаете, что строить на LLM в 2026 - хотите быстрее собрать MVP - ищете референсы production-подходов 100% бесплатно 100% Open Source Repo: https://github.com/Shubhamsaboo/awesome-llm-apps @pythonl

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Аналитика: t.me/data_analysis_ml 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/vistehno 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.

⚡️ Экосистема AI-агентов превратилась в настоящий джунгли. Чем больше появляется фреймворков, тем сложнее их настраивать, дебажить и просто понимать, что происходит внутри. Поэтому особенно ценны инструменты, которые возвращают всё к простоте. KISS Multi-Agent Evolutionary Framework 0 небольшой Python-фреймворк, который следует принципу: *Keep It Simple, Stupid*. Что в нём интересного: - Почти никакой магии - обычный Python и один run() - Обычная функция с type hints автоматически становится tool через нативный function calling модели - Без декораторов, лишних аннотаций и glue-кода - Код читается и отлаживается как обычный Python Агент работает по циклу ReAct: думает → вызывает инструмент → анализирует результат → повторяет, пока не достигнет цели. Нужно несколько агентов? Всё просто: вызываете их последовательно в Python. researcher → writer → editor Можно использовать разные модели и строить пайплайны без сложной оркестрации. Фреймворк также сохраняет trajectory-лог: - шаги агента - использование токенов - время выполнения - стоимость Это позволяет быстро понять, где агент ошибся или начал тратить слишком много. Но самая сильная часть — автоэволюция. AgentEvolver - создаёт множество вариантов агента - применяет мутации и кроссовер - выбирает лучшие по качеству, скорости и стоимости GEPA (Genetic-Pareto) - агент сам анализирует свои ответы и переписывает промпты - используется Pareto-фронт - сохраняется несколько оптимальных стратегий, а не одна В итоге получается не просто агент, а самооптимизирующаяся система, которая ищет баланс между качеством и затратами. Если устали от тяжёлых агент-фреймворков и хотите минимализм, прозрачность и контроль - KISS может стать отличной базой для ваших LLM-агентов. https://github.com/ksenxx/kiss_ai @pythonl

🕘 Таймер продуктивности на Python с использованием threading Используйте библиотеку threading для создания простого таймера продуктивности, который поможет вам сосредоточиться на работе в течение заданного времени с последующим перерывом. Это поможет избежать выгорания и повысит продуктивность.

import threading
import time
def timer(duration, break_duration):
    print(f"Начинаем работу на {duration} минут.")
    time.sleep(duration * 60)  # Длительность работы в секундах
    print("Время на перерыв!")
    time.sleep(break_duration * 60)  # Длительность перерыва в секундах
    print("Перерыв закончен, продолжайте работу!")
# Задайте длительность работы и перерыва
work_duration = 25  # в минутах
break_duration = 5  # в минутах
# Запускаем таймер
threading.Thread(target=timer, args=(work_duration, break_duration)).start()

🖥 Вы неправильно считываете JSON в Python. Большинство делает так - и теряет скорость, память и контроль над данными. Ошибка №1 - читать огромный JSON целиком json.load() загружает ВСЁ в память. На больших файлах ты сам создаёшь себе OOM. Ошибка №2 - не валидировать структуру Ты думаешь, что поле есть. Прод думает иначе. Ошибка №3 - парсить стандартным json там, где нужна скорость Стандартный модуль медленный для high-load задач. Как правильно: - Большие файлы → читать потоково (ijson / построчно) - Критичная скорость → использовать orjson - Важные данные → сразу проверять ключи и типы - API → оборачивать в try/except, а не надеяться Продакшн-код работает не потому что “JSON простой”, а потому что ты контролируешь объём, структуру и ошибки.

🚀 Вышла интересная open-source модель - MiniCPM-o 4.5 MiniCPM-o 4.5 позиционируется как full-duplex omni-modal LLM. Проще говоря, модель может: - одновременно видеть (видео/изображение) - слушать (аудио) - говорить и делать это в реальном времени, без режима "подожди, я сначала дослушаю". Больше похоже на живой диалог, чем на поочередные запросы. Не только отвечает, но и проявляет инициативу Заявлена поддержка проактивного поведения - модель может не просто реагировать на вопросы, а, например, сама инициировать напоминания или действия в рамках диалога. По метрикам С 9B параметрами модель показывает 77.6 на OpenCompass и, по авторам, обходит GPT-4o и Gemini 2.0 Pro в ряде vision-language задач. Для такого размера это сильный результат. Практический момент Главный плюс - это open-source, и всё можно крутить локально на ПК, а не только через облачные API. Модель: MiniCPM-o 4.5 Страница: Hugging Face (openbmb / MiniCPM-o-4_5)