Python Portal
前往频道在 Telegram
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
显示更多
📈 Telegram 频道 Python Portal 的分析概览
频道 Python Portal (@pythonportal) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 50 858 名订阅者，在 技术与应用 类别中位列第 2 639，并在 俄罗斯 地区排名第 12 070 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 50 858 名订阅者。
根据 14 十一月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 159，过去 24 小时变化为 -14，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 9.13%。内容发布后 24 小时内通常能获得 5.32% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 4 646 次浏览，首日通常累积 2 706 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 19。
- 主题关注点： 内容集中在 строка, none, true, модуль, peter 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Всё самое интересное из мира Python
Сотрудничество, реклама: @devmangx
Работаем с @Spiral_Yuri
РКН: https://clck.ru/3GMMF6”
凭借高频更新（最新数据采集于 15 十一月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。
50 858
订阅者
-1424 小时
-807 天
+15930 天
正在加载数据
相似频道
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=96&q=75){kind=small}
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十一月 '2611月 '26
十一月 '26
+33
在0个频道中
十月 '26
+1 017
在4个频道中
Get PRO
九月 '260
在2个频道中
Get PRO
八月 '26
+25
在4个频道中
Get PRO
七月 '26
+29
在4个频道中
Get PRO
六月 '26
+8
在2个频道中
Get PRO
五月 '260
在1个频道中
Get PRO
四月 '260
在0个频道中
Get PRO
三月 '26
+110
在4个频道中
Get PRO
二月 '26
+23
在1个频道中
Get PRO
一月 '26
+5
在4个频道中
Get PRO
十二月 '25
+427
在14个频道中
Get PRO
十一月 '25
+2 968
在332个频道中
Get PRO
十月 '250
在3个频道中
Get PRO
九月 '25
+1
在2个频道中
Get PRO
八月 '25
+17
在1个频道中
Get PRO
七月 '25
+5 086
在266个频道中
Get PRO
六月 '25
+698
在8个频道中
Get PRO
五月 '25
+327
在11个频道中
Get PRO
四月 '25
+25 787
在281个频道中
Get PRO
三月 '25
+2 364
在0个频道中
Get PRO
二月 '25
+2 039
在0个频道中
Get PRO
一月 '25
+3 549
在2个频道中
Get PRO
十二月 '24
+7 547
在401个频道中
Get PRO
十一月 '24
+2 629
在166个频道中
Get PRO
十月 '24
+6 932
在288个频道中
Get PRO
九月 '24
+5 073
在283个频道中
Get PRO
八月 '24
+8 088
在236个频道中
Get PRO
七月 '24
+275
在2个频道中
Get PRO
六月 '240
在0个频道中
Get PRO
五月 '24
+1
在0个频道中
Get PRO
四月 '24
+3
在0个频道中
Get PRO
三月 '24
+7
在0个频道中
Get PRO
二月 '24
+4
在0个频道中
Get PRO
一月 '24
+6
在0个频道中
Get PRO
十二月 '23
+3
在0个频道中
Get PRO
十一月 '23
+10
在0个频道中
Get PRO
十月 '23
+10
在0个频道中
Get PRO
九月 '23
+7
在0个频道中
Get PRO
八月 '23
+13
在0个频道中
Get PRO
七月 '23
+5
在0个频道中
Get PRO
六月 '23
+8
在0个频道中
Get PRO
五月 '23
+12
在0个频道中
Get PRO
四月 '23
+6
在0个频道中
Get PRO
三月 '23
+16
在0个频道中
Get PRO
二月 '23
+13
在0个频道中
Get PRO
一月 '23
+10
在0个频道中
Get PRO
十二月 '22
+11
在0个频道中
Get PRO
十一月 '22
+15
在0个频道中
Get PRO
十月 '22
+25
在0个频道中
Get PRO
九月 '22
+28
在0个频道中
Get PRO
八月 '22
+70
在0个频道中
Get PRO
七月 '22
+995
在0个频道中
Get PRO
六月 '22
+2 844
在0个频道中
Get PRO
五月 '22
+3 896
在0个频道中
Get PRO
四月 '22
+5 470
在0个频道中
Get PRO
三月 '22
+4 758
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 15 十一月 | 0 | |||
| 14 十一月 | 0 | |||
| 13 十一月 | +4 | |||
| 12 十一月 | 0 | |||
| 11 十一月 | 0 | |||
| 10 十一月 | 0 | |||
| 09 十一月 | 0 | |||
| 08 十一月 | +5 | |||
| 07 十一月 | 0 | |||
| 06 十一月 | +2 | |||
| 05 十一月 | +10 | |||
| 04 十一月 | +5 | |||
| 03 十一月 | 0 | |||
| 02 十一月 | 0 | |||
| 01 十一月 | +7 |
频道帖子
Алгоритм Фишера — Йетса позволяет случайным образом перемешать весь массив за время O(n).
Достаточно пройти по массиву с конца к началу, на каждом шаге выбирая случайный индекс и меняя элементы местами.
Если случайные индексы выбираются равновероятно, каждая возможная перестановка элементов имеет одинаковую вероятность.
👉 @PythonPortal
| 2 |  Доступна предварительная версия седьмого издания книги «Компьютерные сети. Системный подход» (Computer Networks: A Systems Approach).
https://7e.systemsapproach.org/
👉 @PythonPortal | 1 585 |
| 3 |  Бесплатные видеолекции по компьютерным сетям на основе учебника «Компьютерные сети. Нисходящий подход» Джеймса Куроуза и Кита Росса.
По ссылке ниже доступны лекции по всем главам учебника:
https://gaia.cs.umass.edu/kurose_ross/lectures.php
🙌
👉 @PythonPortal | 2 232 |
| 4 | Эти разработчики, похоже, выжали из процессора всё до последней капли производительности!
Для запуска модели на 284 миллиарда параметров больше не нужна видеокарта. Достаточно 64 ГБ оперативной памяти.
В мире больших языковых моделей появился невероятно мощный проект с открытым исходным кодом — synchopate/llama-modchip.
Раньше для запуска DeepSeek-V4 с её 284 миллиардами параметров требовалось как минимум несколько серверов с восемью GPU NVIDIA H100. Теперь разработчики предлагают совершенно иной подход: без дискретной видеокарты, на обычном домашнем процессоре и с 64 ГБ оперативной памяти можно разместить эту огромную модель и добиться высокой скорости генерации.
Mingzi сверил впечатляющие характеристики проекта с официальными результатами бенчмарков:
- Никаких GPU, только оперативная память. Дорогая видеокарта больше не нужна. Модель DeepSeek на 284 миллиарда параметров удалось сжать до 56,9 ГБ. Обычный компьютер с 64 ГБ оперативной памяти способен запустить её без обращения к файлу подкачки.
- Вполне пригодная для работы скорость на одном CPU. Благодаря оптимизации под векторные инструкции скорость генерации модели на 284 миллиарда параметров стабильно составляет 9–14 токенов в секунду. При использовании спекулятивного семплирования она достигает 25 токенов в секунду, а косинусное сходство сохраняется на уровне 99,15%.
- Модели на 30 миллиардов параметров работают ещё быстрее. MoE-модель такого размера занимает всего 13,3 ГБ. Её можно запустить даже на ноутбуке с 16 ГБ оперативной памяти. При этом скорость генерации исключительно на CPU достигает впечатляющих 111 токенов в секунду.
- Готовый набор инструментов. Проект включает веб-интерфейс в тёмной теме, не требующий дополнительных зависимостей, и интерфейс командной строки. Кроме того, предусмотрена нативная поддержка подключения в качестве локального бэкенда для Claude Code.
Однако есть два важных ограничения.
Во-первых, для запуска модели на 284 миллиарда параметров необходимы полноценные 64 ГБ физической оперативной памяти. При меньшем объёме система начнёт активно использовать файл подкачки, что может привести к зависаниям.
Во-вторых, проект работает на специально модифицированной версии llama.cpp. Стандартная версия Ollama не распознаёт используемый формат квантования, поэтому запускать модель необходимо через скрипт, входящий в комплект проекта.
https://github.com/synchopate/llama-modchip
👉 @PythonPortal | 2 614 |
| 5 |  Если хотите изучить проектирование систем , у Гиков есть отличное руководство.
Оно охватывает основные темы:
1. Масштабирование систем и балансировка нагрузки.
2. Базы данных, репликация и шардинг.
3. Кеширование и сети доставки контента (CDN).
4. API-шлюзы, очереди сообщений и ограничение частоты запросов.
5. Микросервисы и событийно-ориентированная архитектура.
6. Практические задачи по проектированию систем, подобных Netflix, Uber и Twitter.
Руководство можно использовать как план обучения: выбирайте тему, разбирайтесь, какую проблему она решает, а затем пробуйте применить полученные знания в собственных проектах.
https://www.geeksforgeeks.org/system-design/system-design-tutorial/
👉 @PythonPortal | 2 687 |
| 6 |  Это материалы всего за один месяц курса CS8803 в Технологическом институте Джорджии.
Подробный разбор эмбеддингов, рассуждений и выравнивания моделей, архитектуры ИИ-агентов и работы с длинным контекстом. Всё подкреплено научными публикациями.
Невероятно ценные материалы, причём все они находятся в открытом доступе:
https://cocoxu.github.io/CS8803-LLM-spring2026/
👉 @PythonPortal | 2 959 |
| 7 |  Проверить, является ли число n простым, можно детерминированно и за полиномиальное время всего в 10 строках Python.
Этот алгоритм предложил Гэри Миллер ещё 50 лет назад. Однако для доказательства его корректности требуется недавний результат OpenAI, связанный с квазигипотезой Римана (quasi-GRH)!
Тест простоты AKS в своё время стал огромным достижением, удостоенным премий Гёделя и Фалкерсона в 2006 году. Но теперь он устарел.
Безумные времена.
👉 @PythonPortal | 3 181 |
| 8 |  ChatGPT обучается с помощью формулы, которую придумали ещё в 1847 году для расчёта орбит планет.
w ← w − η∇L
Это градиентный спуск, без которого не существовало бы ни одной современной нейросети.
Его придумали не в OpenAI и не в Google, а во Франции почти 180 лет назад, когда математик Огюстен Луи Коши искал более быстрый способ рассчитывать движение небесных тел.
Представьте, что вы стоите на горе, окутанной густым туманом. Подножия не видно, но вы чувствуете уклон под ногами. Вы делаете шаг в сторону самого крутого спуска, снова определяете уклон и делаете следующий шаг. Так, шаг за шагом, вы спускаетесь в долину.
Нейросеть действует по тому же принципу. Гора олицетворяет её ошибки, а долина соответствует правильным ответам. Только у этой горы не три измерения, а миллиарды.
Коши рассчитывал орбиты планет. А его формула научила машины писать.
👉 @PythonPortal | 3 585 |
| 9 |  Одна из самых опасных ошибок в SQL возникает, когда запрос успешно выполняется, хотя должен был завершиться с ошибкой.
Предположим, вы хотите удалить заказы пользователей, чьи аккаунты заблокированы.
Но в таблице banned_accounts есть столбец id, а не user_id.
PostgreSQL не выдаёт ошибку. Вместо этого он незаметно находит user_id во внешней таблице orders и превращает подзапрос в коррелированный.
Если в banned_accounts есть хотя бы одна строка, запрос выберет все заказы, у которых user_id не равен NULL.
Всего одна ошибка в названии столбца, и вы можете удалить всё содержимое таблицы заказов.
👉 @PythonPortal | 3 677 |
| 10 |  +1Исследователь Google DeepMind Петар Величкович сообщил о завершении полного черновика книги по геометрическому глубокому обучению.
Все главы уже доступны на сайте проекта.
https://geometricdeeplearning.com/book/
👉 @PythonPortal | 3 749 |
| 11 |  HDMI-кабели могут излучать электромагнитные сигналы, содержащие информацию об изображении на экране.
Антенна и программно-определяемый радиоприёмник улавливают эти излучения, а программное обеспечение, например TempestSDR, позволяет восстановить из них распознаваемое изображение.
Deep-TEMPEST используетxiv.org/pdf/2407.09717 машинное обучение для более точного восстановления текста и изображений из тех же исходных сигналов. В ходе испытаний доля ошибок при распознавании символов снизилась почти с 90% до менее чем 30%.
Однако качество восстановления по-прежнему зависит от экранирования кабеля, расстояния и окружающих электромагнитных помех. Хорошее экранирование или использование оптоволоконного HDMI-кабеля позволяет устранить большую часть риска.
Даже проводное соединение может оставлять след в радиоэфире.
👉 @PythonPortal | 4 149 |
| 12 |  Если Сэм Альтман считает, что оперативная память вашего компьютера расходует дефицитные мировые запасы DRAM впустую, может, стоит отправлять ему письмо каждый раз, когда она простаивает?
Кто-то уже написал для этого скрипт.
Скрипт каждые пять минут проверяет использование оперативной памяти на компьютере с Linux и раз в сутки отправляет Альтману отчёт, если свободно больше 10% ОЗУ.
Теперь Сэм будет знать, сколько драгоценной памяти простаивает без дела. 😂
https://github.com/IainKay/ram-altman
👉 @PythonPortal | 4 362 |
| 13 |  Бесплатные 3D-модели японских городов, охватывающие отдельные районы Токио, Осаки, Иокогамы, Нагои и Саппоро.
Модели доступны в формате GLB и готовы к использованию в трёхмерных картах, играх и демопроектах, созданных с помощью ИИ.
https://huggingface.co/datasets/codepawl/plateau-city-glb
👉 @PythonPortal | 4 535 |
| 14 |  Computer Use больше не нужен: разработчик представил Phone Use — инструмент, позволяющий ИИ-агентам взаимодействовать с настоящим iPhone.
Автор подключил свой iPhone к компьютеру на Linux через Bluetooth и AirPlay. При этом распознавание текста через OCR выполняется отдельно от основного процесса, поэтому агенту не приходится постоянно работать со скриншотами.
Для взаимодействия с телефоном предусмотрены готовые сценарии, а для подключения ИИ-агентов есть отдельный Agent Skill.
По словам автора, теперь можно буквально делать всё что угодно.
Забираем на GitHub - https://github.com/lxe/phoneuse
👉 @PythonPortal | 4 633 |
| 15 |  Колумбийский университет опубликовал подробный учебный материал по архитектуре Transformer 📚
В нём разбираются математические основы одной из ключевых технологий современных ИИ-систем: от рекуррентных нейросетей и архитектуры encoder-decoder до механизмов attention и self-attention.
Отдельное внимание уделено query, key и value, scaled dot-product attention, multi-head attention и softmax.
Главная особенность материала — математический подход. Авторы используют формулы, пошаговые выводы, схемы и примеры, чтобы объяснить, как устроены отдельные компоненты Transformer и как они взаимодействуют друг с другом.
https://www.columbia.edu/~jsl2239/transformers.html
👉 @PythonPortal | 4 557 |
| 16 |  Оксфордский университет открыл бесплатный курс «Теории глубокого обучения» на 2026–2027 учебный год.
Курс посвящён математическим основам глубоких нейронных сетей и включает 16 лекций, находящихся в свободном доступе.
Программа охватывает архитектуры нейросетей, нелинейные преобразования, свёрточные структуры, пулинг, методы оптимизации, обучение словарей, переносимость изученных признаков, состязательные примеры, теорию случайных матриц, обучение инвариантности и другие темы.
В лекциях рассматриваются математические теории, позволяющие понять, как обучаются глубокие нейронные сети и чем объясняются особенности их работы.
На мой взгляд, это особенно ценный материал для тех, кто хочет разобраться в математике, лежащей в основе современных ИИ-систем.
https://courses.maths.ox.ac.uk/course/view.php?id=6621 | 4 445 |
| 17 |  Исследователи Amazon сравнили два подхода к памяти ИИ-агентов: хранение информации в весах модели и извлечение данных из внешнего хранилища.
Результаты показали, что память, встроенная непосредственно в веса модели, может превосходить текстовую память при воспроизведении сведений о пользователе. Однако наибольший интерес представляет возможность совместного использования обоих подходов.
В эксперименте использовались одна и та же модель и одинаковые пользовательские данные. Обычное дообучение позволило сохранить сведения о пользователе в весах модели с точностью 36,9%, тогда как метод on-policy self-distillation повысил этот показатель до 59,9%.
Причём второй результат оказался выше, чем при извлечении информации из внешней памяти.
При тестировании на данных восьми пользователей из HaluMem-Long модель, прошедшая дистилляцию, отвечала на вопросы без дополнительного контекста и превзошла несколько подходов:
- Извлечение данных по принципу MemOS — 47,8%.
- Использование извлечённого контекста — 51,9%.
- Использование исходной истории диалога — 51,3%.
- Память в весах после дистилляции — 59,9%.
Преимущество сохранялось для всех восьми пользователей и моделей с 4, 9 и 27 млрд параметров.
Как это работает?
Модель-учитель, имеющая доступ к памяти пользователя, обучает модель-ученика отвечать на вопросы без обращения к этой памяти. При этом в роли учителя выступает та же модель, но с доступом к пользовательским данным.
Однако у памяти, встроенной в веса, есть ограничения. Модель может забывать старые сведения и не способна надёжно определить, какая информация никогда не сохранялась.
Для решения этой проблемы исследователи предложили механизм verify-then-regenerate. Он проверяет ответы по текстовому хранилищу и при необходимости генерирует их повторно. Такой подход позволил повысить точность ещё на 6,2 процентного пункта.
В результате исследователи рекомендуют сочетать оба подхода: хранить недавние и недостающие сведения в текстовой памяти, а устойчивую информацию о пользователе переносить непосредственно в веса модели.
Исследование: https://arxiv.org/abs/2611.05636
👉 @PythonPortal | 4 249 |
| 18 |  До ИИ-агентов / После ИИ-агентов.
👉 @PythonPortal | 4 376 |
| 19 |  Рекомендую ознакомиться с исследованием Университета Карнеги — Меллона и других научных организаций, посвящённым обучению фундаментальных моделей.
Авторы ставят принципиальный вопрос: действительно ли предобучение, промежуточное обучение, SFT и RL необходимо проводить как отдельные этапы?
Исследователи показывают, что такое разделение не является обязательным. Все эти этапы можно объединить в рамках единого алгоритма, основанного на максимизации правдоподобия. Этот подход они называют унифицированным обучением.
Ключевая идея заключается в том, чтобы представить подходящие целевые функции RL как задачу максимизации правдоподобия на целевых данных, сгенерированных самой моделью. Благодаря этому генерации RL и статические данные можно обучать с помощью одной функции потерь и одного тренера.
Это меняет саму постановку задачи. Теперь необходимо выбирать, на каких данных обучать модель, в каких пропорциях и в какой момент. Поэтапное обучение становится лишь частным случаем такого подхода.
Сначала исследователи обучили с нуля модель на 124 млн параметров, используя задачи на логическое рассуждение. Лучшие конфигурации унифицированного обучения превзошли поэтапный подход как на задачах RL, так и на более сложных задачах, которых модель прежде не встречала.
При этом одни и те же данные промежуточного обучения использовались до четырёх раз. В случае поэтапного обучения точность начинала снижаться, если промежуточное обучение продолжалось дольше оптимального вычислительного бюджета.
При фиксированном вычислительном бюджете унифицированное обучение обеспечивало наибольшую точность при минимальных и максимальных затратах. При промежуточных бюджетах преимущество сохранялось за поэтапным обучением.
В эксперименте с более практическими задачами использовалась модель на 0,76 млрд параметров, обучаемая с помощью RL на математических задачах. В обучающую выборку добавляли от 0 до 5% данных промежуточного обучения.
Точность решения математических задач оставалась примерно на прежнем уровне, тогда как сохранение ранее усвоенных знаний улучшалось. Однако по мере увеличения доли этих данных точность решения задач по программированию снижалась.
Наиболее убедительные результаты были получены в экспериментах с непрерывным обучением. После обучения на математических задачах все модели, использовавшие унифицированный подход, превзошли поэтапное обучение по итоговой точности в программировании, несмотря на более низкие исходные показатели. Лучший результат показала конфигурация с 5% примеси данных.
Эксперименты пока проводились в небольшом масштабе. Авторам ещё не удалось найти универсальное соотношение данных или расписание обучения, которое обеспечивало бы наилучшие результаты во всех случаях.
Исследование: https://arxiv.org/abs/2610.40564
👉 @PythonPortal | 4 503 |
| 20 |  +1GPT-6 Astra выполняла примерно на 40% меньше работы, когда задачи по программированию представляли как исследования безопасности.
Об этом говорится в новом отчёте OpenAI, посвящённом отклонениям в поведении ИИ-моделей.
Исследователи давали модели одинаковые задачи, меняя лишь их описание. Когда речь шла о развитии возможностей ИИ, Astra выполняла больше работы. Но стоило представить те же задачи как исследования безопасности, и объём выполненной работы сокращался примерно на 40%.
Причём происходило это без явного предупреждения со стороны модели.
👉 @PythonPortal | 4 687 |
