Python RU
前往频道在 Telegram
Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j
显示更多
网络:📈 Telegram 频道 Python RU 的分析概览
频道 Python RU (@pro_python_code) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 12 372 名订阅者，在 技术与应用 类别中位列第 9 808，并在 俄罗斯 地区排名第 51 942 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 12 372 名订阅者。
根据 14 九月, 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 -20，过去 24 小时变化为 -3，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 8.48%。内容发布后 24 小时内通常能获得 2.99% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 1 049 次浏览，首日通常累积 370 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 2。
- 主题关注点： 内容集中在 api, docker, github, sql, linux 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：
“Все для python разработчиков
админ - @haarrp
@python_job_interview - Python собеседования
@ai_machinelearning_big_data - машинное обучение
@itchannels_telegram - 🔥лучшие ит-каналы
@programming_books_it - it книги
@pythonl
РКН: clck.ru/3Fmy2j”
凭借高频更新（最新数据采集于 15 九月, 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。
12 372
订阅者
-324 小时
-27 天
-2030 天
数据加载中...
吸引订阅者
九月 '26
九月 '26
+31
在0个频道中
八月 '26
+43
在0个频道中
Get PRO
七月 '26
+40
在0个频道中
Get PRO
六月 '26
+31
在0个频道中
Get PRO
五月 '26
+27
在0个频道中
Get PRO
四月 '26
+18
在0个频道中
Get PRO
三月 '26
+32
在1个频道中
Get PRO
二月 '26
+32
在0个频道中
Get PRO
一月 '26
+38
在1个频道中
Get PRO
十二月 '25
+38
在0个频道中
Get PRO
十一月 '25
+89
在0个频道中
Get PRO
十月 '25
+57
在0个频道中
Get PRO
九月 '25
+79
在1个频道中
Get PRO
八月 '25
+66
在1个频道中
Get PRO
七月 '25
+288
在3个频道中
Get PRO
六月 '25
+86
在1个频道中
Get PRO
五月 '25
+68
在0个频道中
Get PRO
四月 '25
+165
在0个频道中
Get PRO
三月 '25
+85
在2个频道中
Get PRO
二月 '25
+142
在0个频道中
Get PRO
一月 '25
+172
在0个频道中
Get PRO
十二月 '24
+310
在4个频道中
Get PRO
十一月 '24
+190
在0个频道中
Get PRO
十月 '24
+367
在2个频道中
Get PRO
九月 '24
+348
在3个频道中
Get PRO
八月 '24
+477
在2个频道中
Get PRO
七月 '24
+305
在2个频道中
Get PRO
六月 '24
+296
在10个频道中
Get PRO
五月 '24
+388
在36个频道中
Get PRO
四月 '24
+430
在43个频道中
Get PRO
三月 '24
+511
在20个频道中
Get PRO
二月 '24
+632
在3个频道中
Get PRO
一月 '24
+549
在44个频道中
Get PRO
十二月 '23
+543
在40个频道中
Get PRO
十一月 '23
+205
在2个频道中
Get PRO
十月 '23
+174
在6个频道中
Get PRO
九月 '23
+438
在0个频道中
Get PRO
八月 '23
+540
在0个频道中
Get PRO
七月 '23
+362
在0个频道中
Get PRO
六月 '23
+748
在0个频道中
Get PRO
五月 '23
+350
在0个频道中
Get PRO
四月 '23
+148
在0个频道中
Get PRO
三月 '23
+210
在0个频道中
Get PRO
二月 '23
+356
在0个频道中
Get PRO
一月 '23
+187
在0个频道中
Get PRO
十二月 '22
+117
在0个频道中
Get PRO
十一月 '22
+267
在0个频道中
Get PRO
十月 '22
+933
在0个频道中
Get PRO
九月 '22
+485
在0个频道中
Get PRO
八月 '22
+411
在0个频道中
Get PRO
七月 '22
+636
在0个频道中
Get PRO
六月 '22
+1 029
在0个频道中
Get PRO
五月 '22
+1 476
在0个频道中
Get PRO
四月 '22
+1 378
在0个频道中
Get PRO
三月 '22
+751
在0个频道中
Get PRO
二月 '22
+205
在0个频道中
Get PRO
一月 '22
+241
在0个频道中
Get PRO
十二月 '21
+193
在0个频道中
Get PRO
十一月 '21
+900
在0个频道中
Get PRO
十月 '21
+697
在0个频道中
Get PRO
九月 '21
+142
在0个频道中
Get PRO
八月 '21
+315
在0个频道中
Get PRO
七月 '21
+503
在0个频道中
Get PRO
六月 '21
+1 124
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 15 九月 | +1 | |||
| 14 九月 | +1 | |||
| 13 九月 | +1 | |||
| 12 九月 | +1 | |||
| 11 九月 | +1 | |||
| 10 九月 | +2 | |||
| 09 九月 | +1 | |||
| 08 九月 | +1 | |||
| 07 九月 | +3 | |||
| 06 九月 | +1 | |||
| 05 九月 | 0 | |||
| 04 九月 | 0 | |||
| 03 九月 | +2 | |||
| 02 九月 | +7 | |||
| 01 九月 | +9 |
频道帖子
🔥 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/
| 2 |  ⚡️ DeepSeek открыла веса V4.1-Flash
DeepSeek выложила свежайшую DeepSeek-V4.1-Flash, мультимодальную MoE-модель на 552 млрд параметров, с контекстом до миллиона токенов и методом Causal Encoder-Decoder под капотом, который вдвое удешевляет разбор входа.
Задача, под которую её делали, скучная, но дорогая. Долго работающий агент постоянно перечитывает свой контекст, и всё прочитанное приходится держать в KV-кэше.
На длинных дистанциях он раздувается, забивает видеопамять и упирается в пропускную способность шин.
В V4.1-Flash кэш сжат до 890 байт на токен, это вчетверо меньше, чем у V4-Flash, и в 437 раз, чем у первой версии DeepSeek.
Каждому слою внимания заранее назначен один из трёх режимов:
🟢в полном слой считает свои ключи и значения сам;
🟢в режиме переиндексации берёт их у предыдущего слоя, но заново выбирает, на что смотреть;
🟢в режиме повторного использования не считает ничего - берёт и чужой кэш, и чужой выбор.
Так хранить приходится в разы меньше. Сверху главный кэш держится в четырёхбитном формате FP4, и устойчивость к такой точности натренирована, а не добавлена после обучения.
🟡Causal Encoder-Decoder
Метод вдохновлен майкрософтовской работой You Only Cache Once про переиспользование KV-кэша слоями. DeepSeek внесла в него структурные улучшения, чтобы поднять ёмкость кэша и глубину вычислений при его порождении.
40 слоёв разделены пополам: 20 на энкодер, 20 - декодер. К и V для декодера не считаются в каждом его слое, а проецируются из последнего скрытого состояния энкодера.
Поэтому при разборе входа работает только первая половина сети - 8 млрд активных параметров на токен против 16 при генерации ответа.
Для агентов, у которых вход в разы длиннее вывода, это именно то, что нужно.
🟡Бенчмарки
На DeepSWE v1.1 модель берёт 74,2% против 74,0 у Claude Opus 5 и 73,0 у GPT-5.6 Sol.
На Terminal-Bench 2.1 - 90,6% (выше всех).
На AutomationBench - 54,8% против 50,3 у Opus 5.
А вот в Terminal-Bench 4.0, где нужны экспертные знания в науке, модель даёт 31,2% против 51,8 у Opus 5, то есть разрыв с топами на самых сложных задачах никуда не делся.
Модель поддерживает настраиваемый уровень рассуждений от 1 до 100, в API это три пресета: low, high, max - они соответствуют значениям 50, 75 и 100.
Шаблона чата в Jinja нет - вместо него советуют реализацию промптов на Python и отдельный набор Rust-библиотек.
Сообщество на Hugging Face уже сделало квантованные версии практически под всё.
📌Лицензирование: MIT License
🟡Блогпост
🟡Веса
🟡Техотчет
@ai_machinelearning_big_data
#AI #ML #MMLM #MoE #Deepseek | 452 |
| 3 |  Команды ждут тебя на треке программирование роботов на МТС True Tech Champ 2026 — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.
Успей зарегистрироваться до 13 сентября.
В треке программирования роботов тебе предстоит запрограммировать робособаку для доставки груза через полосу препятствий сначала в онлайн-симуляторе, а затем на офлайн-полигоне в финале 22 октября. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.
Участие в командах 2-5 человек. Если у тебя нет своей команды, кураторы помогут объединиться с другими участниками на платформе.
Масштабный финал объединит борьбу за призовой фонд 10 250 000 рублей, выступления хедлайнеров, доклады спикеров и активности для всех гостей мероприятия.
Успей зарегистрироваться и пройти квалификацию до 13 сентября.
erid:2VSb5xVWJTL | 538 |
| 4 |  ⚡️ DeepSeek выпустила V4.1 Flash
Ноую модель уже раскатывают в веб-чате и мобильных приложениях. Прежние режимы - быстрый, экспертный и распознавание изображений свели в один: выбирать вручную больше ничего не нужно.
Теперь одна модель ведёт и обычный диалог, и разбор картинок, и сложные вопросы. Сложность запроса она определяет сама, а зрение включает, когда на вход приходит изображение.
По словам DeepSeek, V4.1 Flash обходит V4 Pro по качеству, стоимости и скорости. До выхода V4.1 Pro она возьмёт на себя все запросы, которые раньше уходили на V4 Pro.
@ai_machinelearning_big_data
#news #ai #ml | 592 |
| 5 |  Как обучить свою нейросеть на Python в 2026 году: пошаговый гайд для начинающих
https://uproger.com/obuchit-nejroset-na-python/ | 853 |
| 6 |  没有文字... | 896 |
| 7 |  False Sharing: два ядра, никаких lock, а всё тормозит. Почему?
Два потока пишут в разные переменные a и b, блокировок нет, а код всё равно упирается в потолок. Виноват false sharing: a и b лежат в одной cache line на 64 байта, и каждая запись одного ядра сбрасывает копию линии у второго. CPU гоняет кэш туда-сюда вместо полезной работы. Лечится разнесением горячи
https://youtube.com/shorts/piUddxoKcoY?feature=share | 926 |
| 8 |  ⚡️ Google открыла TimesFM 3 для прогнозирования временных рядов.
Модель уже доступна на GitHub и Hugging Face и рассчитана на задачи forecasting без необходимости обучать отдельную модель с нуля под каждый датасет.
Подходит для:
- прогнозирования продаж
- нагрузки и трафика
- финансовых и бизнес-метрик
- спроса
- сенсорных и временных данных
TimesFM 3 можно запускать локально и использовать как готовую базовую модель для time-series задач.
GitHub: https://github.com/google-research/timesfm
Hugging Face: https://huggingface.co/google/timesfm-3.0-pytorch | 1 026 |
| 9 |  🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash Uncensored
Модель: 320B параметров, 18B активных.
Доступные варианты:
- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1
Подходит для запуска на CPU + GPU, включая Apple Silicon.
Это не jailbreak: удаление отказов зашито прямо в веса модели.
API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash
Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF | 1 032 |
| 10 |  没有文字... | 1 188 |
| 11 |  NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов
По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках.
Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат.
В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы.
На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis.
https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/ | 1 288 |
| 12 | Проект Python опубликовал документацию на русском языке
Объявлено о переводе на русский язык официальной документации по языку программирования Python. На русском языке доступны руководство по Python, а также первые три главы справочника по языку Python.
Подробнее:
https://opennet.ru/66116/
https://opennet.me/66116/ | 1 179 |
| 13 |  🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 1 099 |
| 14 |  ⚡️ Anthropic запустила бесплатную Claude Academy
Теперь у Claude появилась полноценная обучающая платформа с бесплатными курсами и гайдами для всех желающих.
Внутри есть разные уровни: от базового понимания, как работает AI, до более продвинутого использования Claude в повседневной работе.
Некоторые курсы дают сертификаты, так что скоро их наверняка станет заметно больше и в LinkedIn.
Все материалы бесплатные и открыты без ограничений.
https://academy.claude.com
@ai_machinelearning_big_data
#Anthropic #claude | 973 |
| 15 |  ⚡️ Harness Engineering - полный курс на русском
Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию.
Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов.
Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента.
https://github.com/justxor/Harness_ru | 1 399 |
| 16 | 🔥 9B-модель на 7 ГБ, которая по тестам автора лезет на территорию 27B
На Hugging Face вышла Qwen3.5-9B The Defiant Fable от DavidAU. Это многоэтапный fine-tune Qwen3.5-9B с упором на reasoning, instruction following, код и creative-задачи. Модель распространяется под Apache 2.0, а автор также позиционирует её как uncensored/heretic-версию с минимальными отказами.
Самое интересное в результатах. По собственному набору из семи бенчмарков автор заявляет, что 9B-версия обходит базовые Qwen3.5-9B, Qwen3.5-27B и Qwen3.6-35B-A3B, а местами приближается к Qwen3.6-27B. Причём сильные результаты сохраняются даже после 4-bit квантования. Это пока именно авторские тесты, а не независимый leaderboard.
Для локального запуска уже готовы обычные и MTP GGUF с NEO IMATRIX. Q4_K_M занимает примерно 6,8-7 ГБ, IQ3_M около 5,6 ГБ, а экстремальный IQ2_M всего 4,94 ГБ.
Контекст у базовой архитектуры до 262K токенов. Запускать можно через llama.cpp, Ollama, LM Studio, vLLM и другие локальные рантаймы, а через llama.cpp сразу поднимается OpenAI-compatible API.
Если независимые тесты подтвердят цифры, это хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning, merge и квантованием.
#AI #Qwen #LLM #LocalAI #GGUF | 1 405 |
| 17 |  🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе.
63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета.
Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента.
Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере.
Для тех, кто уже пишет на Python и устал от демок.
72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921 | 1 187 |
| 18 |  🐍 Распаковка списков и кортежей в Python
Значения последовательности можно сразу распределить по переменным:
a, b, c = (1, 2, 3)
a, b, c = [1, 2, 3]
В обоих случаях результат одинаковый:
```python
a == 1
b == 2
c == 3
Количество переменных должно совпадать с количеством элементов, иначе Python вызовет ValueError.
Чтобы собрать оставшиеся значения, используйте *:
first, *middle, last = [1, 2, 3, 4, 5]
# first = 1
# middle = [2, 3, 4]
# last = 5
Распаковка также позволяет поменять значения местами без временной переменной:
a, b = b, a | 1 303 |
| 19 |  Rust, который наконец становится понятным 🦀
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/ | 1 219 |
| 20 | 👣 Освой Rust и начни писать код, которому можно доверять
Хочешь перейти от Python, JavaScript или Java к быстрому системному программированию? Начни с Rust.
За курс ты пройдёшь путь от основ до уверенной разработки:
Ownership и Borrowing → структуры → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код.
🔥 После каждого урока — тесты и задача с автоматической проверкой.
⚡ Можно начать сразу.
⏱ Всего 5–6 часов в неделю.
🎯 Rust заранее знать не нужно.
В результате ты поймёшь, как управлять памятью без GC, избегать целого класса ошибок ещё на этапе компиляции и писать быстрые сервисы, утилиты и backend на Rust.
Хватит откладывать Rust «на потом». Начни писать на нём уже с первого занятия.
Эксклюзивно 36 часов скидка 55%: https://stepik.org/a/294885/pay?promo=d20c21b24473c78f | 1 127 |
