Python Community
前往频道在 Telegram
Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission
显示更多
网络:📈 Telegram 频道 Python Community 的分析概览
频道 Python Community (@python_community_ru) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 11 528 名订阅者，在 技术与应用 类别中位列第 10 738，并在 俄罗斯 地区排名第 55 602 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 11 528 名订阅者。
根据 25 十月, 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 -82，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 4.57%。内容发布后 24 小时内通常能获得 2.24% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 527 次浏览，首日通常累积 258 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 docker, git, github, контейнер, await 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：
“Python Community RU - СНГ сообщество Python-разработчиков
Чат канала: @python_community_chat
Сотрудничество: @cyberJohnny и @Sergey_bzd
РКН реестр:
https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission”
凭借高频更新（最新数据采集于 26 十月, 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。
11 528
订阅者
-324 小时
-177 天
-8230 天
正在加载数据
相似频道
![About Python [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1mSDRp%2F5199693112157519753%3Fty%3Dx&w=96&q=75){kind=small}
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '26
+15
在0个频道中
九月 '26
+39
在0个频道中
Get PRO
八月 '26
+19
在0个频道中
Get PRO
七月 '26
+19
在0个频道中
Get PRO
六月 '26
+21
在0个频道中
Get PRO
五月 '26
+42
在0个频道中
Get PRO
四月 '26
+42
在0个频道中
Get PRO
三月 '26
+19
在0个频道中
Get PRO
二月 '26
+18
在0个频道中
Get PRO
一月 '26
+16
在0个频道中
Get PRO
十二月 '25
+7
在0个频道中
Get PRO
十一月 '25
+19
在0个频道中
Get PRO
十月 '25
+13
在0个频道中
Get PRO
九月 '25
+5
在0个频道中
Get PRO
八月 '25
+14
在0个频道中
Get PRO
七月 '25
+7
在0个频道中
Get PRO
六月 '25
+29
在0个频道中
Get PRO
五月 '25
+12
在0个频道中
Get PRO
四月 '25
+15
在0个频道中
Get PRO
三月 '25
+19
在0个频道中
Get PRO
二月 '25
+27
在0个频道中
Get PRO
一月 '25
+18
在0个频道中
Get PRO
十二月 '24
+12
在0个频道中
Get PRO
十一月 '24
+6
在0个频道中
Get PRO
十月 '24
+82
在0个频道中
Get PRO
九月 '24
+27
在0个频道中
Get PRO
八月 '24
+29
在0个频道中
Get PRO
七月 '24
+13
在1个频道中
Get PRO
六月 '24
+10
在0个频道中
Get PRO
五月 '24
+28
在0个频道中
Get PRO
四月 '24
+65
在0个频道中
Get PRO
三月 '24
+82
在17个频道中
Get PRO
二月 '24
+28
在0个频道中
Get PRO
一月 '24
+64
在5个频道中
Get PRO
十二月 '23
+74
在4个频道中
Get PRO
十一月 '23
+53
在6个频道中
Get PRO
十月 '23
+95
在4个频道中
Get PRO
九月 '23
+51
在0个频道中
Get PRO
八月 '23
+219
在0个频道中
Get PRO
七月 '23
+66
在0个频道中
Get PRO
六月 '23
+133
在0个频道中
Get PRO
五月 '23
+33
在0个频道中
Get PRO
四月 '23
+29
在0个频道中
Get PRO
三月 '23
+30
在0个频道中
Get PRO
二月 '23
+82
在0个频道中
Get PRO
一月 '23
+27
在0个频道中
Get PRO
十二月 '22
+98
在0个频道中
Get PRO
十一月 '22
+200
在0个频道中
Get PRO
十月 '22
+320
在0个频道中
Get PRO
九月 '22
+310
在0个频道中
Get PRO
八月 '22
+358
在0个频道中
Get PRO
七月 '22
+194
在0个频道中
Get PRO
六月 '22
+55
在0个频道中
Get PRO
五月 '22
+81
在0个频道中
Get PRO
四月 '22
+52
在0个频道中
Get PRO
三月 '22
+33
在0个频道中
Get PRO
二月 '22
+15
在0个频道中
Get PRO
一月 '22
+31
在0个频道中
Get PRO
十二月 '21
+39
在0个频道中
Get PRO
十一月 '21
+20
在0个频道中
Get PRO
十月 '21
+19
在0个频道中
Get PRO
九月 '21
+357
在0个频道中
Get PRO
八月 '21
+6 044
在0个频道中
Get PRO
七月 '21
+36
在0个频道中
Get PRO
六月 '21
+38
在0个频道中
Get PRO
五月 '21
+8 384
在0个频道中
Get PRO
四月 '21
+18 733
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 26 十月 | 0 | |||
| 25 十月 | 0 | |||
| 24 十月 | 0 | |||
| 23 十月 | 0 | |||
| 22 十月 | +1 | |||
| 21 十月 | 0 | |||
| 20 十月 | +1 | |||
| 19 十月 | +1 | |||
| 18 十月 | 0 | |||
| 17 十月 | 0 | |||
| 16 十月 | 0 | |||
| 15 十月 | 0 | |||
| 14 十月 | +1 | |||
| 13 十月 | 0 | |||
| 12 十月 | +2 | |||
| 11 十月 | +1 | |||
| 10 十月 | 0 | |||
| 09 十月 | +2 | |||
| 08 十月 | 0 | |||
| 07 十月 | +1 | |||
| 06 十月 | 0 | |||
| 05 十月 | +2 | |||
| 04 十月 | 0 | |||
| 03 十月 | +1 | |||
| 02 十月 | +1 | |||
| 01 十月 | +1 |
频道帖子
🐍 Когда стандартного `sqlite3` в Python становится мало, есть APSW.
Another Python SQLite Wrapper даёт доступ к полному C API SQLite из Python.
Что можно использовать:
• Виртуальные таблицы для подключения собственных источников данных.
• VFS для управления тем, как SQLite работает с файлами.
• Session API для записи и применения наборов изменений.
• Полнотекстовый поиск, JSON и передачу массивов через CArray.
• Синхронный код и поддержку асинхронных фреймворков.
Для обычных SQL-запросов встроенного sqlite3 часто достаточно. APSW полезен, когда нужны расширенные возможности SQLite и более глубокий контроль над движком.
Установка: pip install apsw
https://github.com/rogerbinns/apsw
@Python_Community_ru
| 2 |  Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026)
Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
@Python_Community_ru | 317 |
| 3 | Генерировать видео и менять происходящее текстовыми командами прямо на ходу - одна из возможностей LongLive от NVIDIA.
Сейчас репозиторий объединяет четыре исследовательских проекта:
- LongLive 1.0 - интерактивная генерация длинных видео: пользователь меняет промпты по мере появления кадров.
- LongLive 2.0 — инфраструктура обучения и генерации с квантизацией NVFP4 и распределением вычислений между GPU.
- LongLive-Plug — перенос возможностей, полученных при дистилляции базовой модели, на совместимые производные модели без повторного обучения.
- Long-WAM — модели для робототехники, которые используют визуальную историю при выборе действий. Есть обучение, тестирование и демонстрации на реальных роботах.
Для каждого направления опубликованы код, документация и веса моделей. Можно скачать только нужный проект.
Интересно, как здесь сходятся генерация видео и робототехника: модели должны учитывать предыдущие кадры и продолжать последовательность — визуальную сцену или действия робота.
Репозиторий для тех, кто исследует длинные видеопоследовательности, интерактивные миры и обучение роботов.
https://github.com/NVlabs/LongLive
@Python_Community_ru | 310 |
| 4 |  Нововведения Python 3.15 превратили в игру: чтобы пройти дальше, придётся писать код.
whatsnewt - терминальный квест от Барри Уорсо. Вы просыпаетесь внутри интерпретатора и проходите 15 комнат с 18 головоломками, посвящёнными возможностям Python 3.15.
По пути встретятся ленивые импорты, frozendict, sentinel, распаковка в comprehensions, изменения типизации и другие нововведения.
Ответы запускаются в настоящем Python 3.15. Для заданий на типизацию используется pyrefly. Проверяется не только результат, но и способ решения: обойти новую конструкцию привычным циклом не всегда получится.
Внутри есть карта, инвентарь, подсказки за очки, ссылки на документацию и автосохранение.
Запуск через uv:
uvx --python 3.15 whatsnewt
Любопытная деталь: по словам автора, значительная часть игры написана совместно с Claude.
Хороший повод изучить релиз на практике: каждая новая возможность становится задачей, которую нужно решить самому.
https://pypi.org/project/whatsnewt/
@Python_Community_ru | 337 |
| 5 | PyTorch экономит память при обучении LLM и лучше использует GPU на Mac
OpenTeams рассказала о своём вкладе в PyTorch за 2026 год. Несколько изменений, которые пригодятся на практике:
- Меньше разрывов в `torch.compile`. Dynamo перестраивают по образцу внутренних механизмов CPython, чтобы он точнее обрабатывал обычный Python-код. Это сокращает ситуации, когда компиляция прерывается и выполнение возвращается в Python.
- До 4 раз меньше пиковой памяти на расчёте loss. В PyTorch 2.13 появился LinearCrossEntropyLoss: он обрабатывает данные частями, не создавая целиком огромный тензор оценок по всему словарю. Особенно полезно при обучении языковых моделей.
- Больше операций на GPU Apple Silicon. MPS получил нативные реализации дополнительных операций. По замерам команды, native_group_norm на M4 ускорился в среднем более чем в 10 раз.
- Экспериментальная компиляция комплексных вычислений. В PyTorch 2.14 комплексные операции можно разложить на операции с вещественными тензорами и передать существующим механизмам оптимизации.
Для PyTorch 2.15 также подготовлены поддержка Python 3.15 в `torch.compile` и API отдельных MPS-потоков. Они позволят отправлять работу в несколько очередей GPU на Mac.
https://openteams.com/engineering-blog/pytorch-year-in-review-2026/
@Python_Community_ru | 386 |
| 6 |  ⚙️ Почему код тормозит, даже если алгоритм хороший?
Причина может скрываться в промахах кэша, предсказании ветвлений, расположении данных или конкуренции потоков за память.
CPU Performance Engineering собирает материалы, которые помогают разобраться в этих ограничениях. Путь идёт от выполнения одной инструкции до запуска ИИ-моделей на CPU.
Внутри:
• Микроархитектура процессоров x86 и Arm.
• Кэши, память, NUMA и false sharing.
• Профилирование, perf и flame graphs.
• SIMD, векторизация и оптимизации компилятора.
• Многопоточность и задержки под нагрузкой.
• Инференс моделей и квантизация.
В 14 разделах есть воспроизводимые бенчмарки на C: исходники, команды сборки, результаты и разбор. Можно проверить поведение на своём железе.
Подборка опирается на первоисточники: статьи, документацию и измерения. Есть и MCP-сервер для подключения материалов к ИИ-ассистенту.
https://github.com/usamahz/cpu-performance-engineering
@Python_Community_ru | 418 |
| 7 |  +2没有文字... | 453 |
| 8 | 🌟 SonicBoom: движок инференса без Python
HardenedVault, которая специализируется на безопасности Linux и компиляторов, выложила среду исполнения SonicBoom (https://github.com/hardenedlinux/SonicBoom), написанной с нуля на C++ и CUDA. Python ей не нужен ни для работы, ни для сборки.
Цель проекта – локальный запуск языковых моделей на потребительских видеокартах.
Всё упаковано в одну библиотеку libsonicboom.so, которую можно подключить из любого языка через стандартный интерфейс C, основным языком для работы с ней авторы выбрали Scheme в реализации GNU Guile.
SonicBoom загружает модели в GGUF, генерирует текст на процессоре или видеокарте и поднимает локальный сервер, совместимый с API OpenAI.
Если новый запрос начинается с того же текста, что и предыдущий, заново обрабатывается только добавленная часть, и результат до токена совпадает с полным пересчётом.
🟡Механика
Скорость вывода дают уровни над вычислительными ядрами, а не сами ядра. Умножение квантованных матриц и токенизаторы частично перенесены из llama.cpp.
Над ними работает планировщик, который до запуска переписывает граф модели целиком, сливает соседние операции и записывает весь шаг генерации токена в один CUDA Graph, т. е. в готовую последовательность команд для видеокарты.
Ещё выше стоит компилятор на базе MLIR. Он сам генерирует часть ядер для GPU, в том числе для механизма внимания, и при первом запуске подбирает самый быстрый вариант под конкретную карту.
🟡Тесты
На RTX 3050 с 8 ГБ памяти сравнили SonicBoom и llama.cpp на одних и тех же моделях.
Gemma 4 E4B через SonicBoom дала генерацию в 53 токена в секунду против 44,8 у llama.cpp.
У Qwen2.5-0.5B вышло 344,7 токена в секунду против 307,6.
Когда контекст дорастает до 512 токенов, SonicBoom на Qwen уже чуть отстаёт.
Единственный сторонний результат на RTX 4060 Ti оказался хуже llama.cpp, 73,6 токена в секунду против 78, но его получили на сборке, ещё не настроенной под эту видеокарту.
Пока проверены только две модели, Gemma 4 E4B-it и Qwen2.5-0.5B-Instruct, и только видеокарты серии RTX 30.
Модель всегда выбирает самый вероятный токен, температуру и другие настройки случайности задать нельзя.
Следующими в планах стоят модели Llama и Mistral, работа через Vulkan, генерация ядер для видеокарт других производителей и диффузионные модели.
Дальше SonicBoom планирует вырасти в фреймворк в духе PyTorch, где модель пишут на Scheme и компилируют в граф вычислений. Прототип этого режима уже обучает небольшой трансформер.
📌Лицензирование: GPL-3.0
🖥Github (https://github.com/hardenedlinux/SonicBoom)
@ai_machinelearning_big_data
#AI #ML #LLM #InferenceEngine #SonicBoom
@Python_Community_ru | 346 |
| 9 | 🖥 Python 3.15 вышел, Polars 2.0 догнал DuckDB, а searchsorted в NumPy ускорили в 25 раз
Свежий дайджест Python Hub за неделю, и в нём много полезного для тех, кто работает с данными и моделями.
Главное событие: релиз Python 3.15.0 (https://www.python.org/downloads/release/python-3150/). Среди заметных новинок ленивые импорты, встроенный неизменяемый словарь, сэмплирующий профайлер и UTF-8 как кодировка по умолчанию. Рядом идёт обсуждение Rust для CPython (https://blog.python.org/2026/09/language-summit-2026-rust-for-cpython/): на языковом саммите предложили постепенно вводить его в интерпретатор, начиная с опционального zlib на Rust в Python 3.16.
Polars 2.0 (https://pola.rs/posts/release-polars-2/) получил выгрузку на диск при нехватке памяти, полноценный SQL, тип Map и более строгую работу с типами. Авторы заявляют, что опережают DataFusion и DuckDB на TPC-H и TPC-DS. В NumPy 2.5 переписали np.searchsorted (https://blog.scientific-python.org/numpy/searchsorted/) на пакетные векторные операции, и прототип на C++ показал до 25 раз быстрее, чем в NumPy 2.4. Параллельно команда Quansight двигает NumPy к Limited API (https://labs.quansight.org/blog/limited_api_numpy), чтобы выпускать универсальные abi3-колёса.
Для тех, кто возится с железом и инференсом: проект openTPU (https://github.com/FeSens/openTPU) выложил в открытый доступ ускоритель с RTL, ISA, симулятором и компилятором, на нём гоняют Qwen3 на плате Kintex-7. Библиотека rGPU (https://github.com/ymcrcat/rgpu) позволяет держать тензоры и выполнять операции PyTorch на удалённой видеокарте, в том числе с Mac без CUDA. Microsoft добавила в Windows (https://devblogs.microsoft.com/foundry-on-windows/build-on-winml-oct-7-26/) экспериментальную поддержку GGUF через llama.cpp, локальный эндпоинт, совместимый с OpenAI, и нативный PyTorch с Triton на Arm64.
Отдельно стоит глянуть TurboPython (https://tpy-lang.org/), компилятор типизированного Python в C++, который собирает нативные бинарники без рантайма, сборщика мусора и GIL. Для начинающих есть гайд по созданию ИИ-агентов с нуля (https://github.com/tradertanmay/ai-agents-zero-to-hero) на чистом Python без обязательных зависимостей и видеоурок по сборке собственной обвязки для агента (https://www.youtube.com/watch?v=H5o1P8RMiMw) с вызовом инструментов, MCP и памятью.
Источник: https://pythonhub.dev/digest/2026-10-18/
@Python_Community_ru | 410 |
| 10 |  🔍 «Разберись, как это работает»: ИИ-агентам дали инструменты для реверс-инжиниринга
REA, Reverse Engineer Anything, подключает Claude Code, Codex, Cursor и другие агенты к инструментам анализа программ через MCP.
Можно попросить агента изучить функцию приложения без исходников: проследить вызовы, разобрать логику и на основе найденного написать похожую реализацию для своего проекта.
Поддерживаются нативные бинарники, JavaScript и Electron, .NET, Android APK и сайты. Для глубокого анализа бинарников используются Ghidra, IDA или Hopper.
Анализ выполняется локально. REA возвращает находки с подтверждениями и ограничениями, а агент использует их для дальнейшего исследования и написания кода. Результаты при этом передаются модели вашего провайдера.
Исходный код целиком инструмент не восстанавливает, но помогает понять устройство программы вплоть до псевдокода и ассемблера.
https://github.com/morluto/rea
@Python_Community_ru | 481 |
| 11 |  🧠 Python + Prolog: нейросети и строгая логика в одном процессе
Clausal Prolog объединяет Python с языком логического программирования Prolog. Нейросеть может вызывать правила, а правила обращаться обратно к нейросети. Без отдельного сервиса и сериализации данных.
Что это даёт:
• Явные ограничения: можно задать условия, которым должно соответствовать решение.
• Понятные выводы: проследить, какие правила привели к результату.
• Изменение поведения без переобучения: достаточно поправить правило.
Например, модель предлагает план действий, а логический слой проверяет его по заданным ограничениям. Такой подход называют нейросимвольным ИИ.
Установка: pip install clausal. Нужен Python 3.13+. Лицензия MIT.
https://github.com/neurosymbolica/clausal-prolog
@Python_Community_ru | 451 |
| 12 | 🔥 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_ci
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:
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.
@Python_Community_ru | 425 |
| 13 |  🧠 Tencent открыла Hy Memory: общую память для ИИ-ассистентов и редакторов кода
Система объединяет память о переписках, работе и коде, чтобы контекст можно было использовать между Codex, Cursor, WorkBuddy и другими инструментами. Открыты модель, движок и приложение.
В основе Hy-Memory-30B-A3B: 30 млрд параметров, из которых активны 3 млрд.
По данным команды, система заняла первое место во всех четырёх проведённых бенчмарках, обойдя Opus 5 в тестах памяти:
• +10,2 пункта на MemoryArena.
• На 51,8% меньше объём памяти.
• На 39,3% меньше токенов при извлечении воспоминаний.
Модель работает и с чужими движками: Mem0, MemOS и EverMemOS. В одном из продуктов Tencent точность восстановления информации через несколько связанных фактов выросла с 50% до 90%.
https://huggingface.co/tencent/Hy-Memory-30B-A3B
@Python_Community_ru | 489 |
| 14 | 🖥 Datadog научила профилировщик Python понимать asyncio: флеймграфы со «стеками из стеков» и оверхед меньше на 60%
Главная боль профилирования asyncio в том, что каждая задача выглядит как независимый стек. Время в запросе к Cassandra повисает в воздухе, и непонятно, какой именно путь в приложении его породил.
Инженеры Datadog решили это так: профилировщик отслеживает, какая задача кого ждёт, строит дерево зависимостей и начиная с листьев надстраивает фреймы родителей поверх фреймов потомков. Код, разбитый на отдельные задачи, и обычные корутины в одной задаче теперь дают сопоставимые флеймграфы. Если задача живёт дольше создателя, время засчитывается создателю, пока он работает, а затем тому, кто её ждёт.
Цена такого подхода высокая: к стоимости на поток добавляется O(n_tasks), а серверы держат много задач, поэтому адаптивный сэмплинг местами падал до минимальной одной выборки в секунду.
Резервуарное сэмплирование задач команда отвергла, потому что для дерева нужны метаданные всех задач.
Оверхед срезали тремя шагами. Убрали C++ исключения из пути сэмплирования, это около 15%. Интернировали строки имён функций и файлов, ещё около 25%. Заменили process_vm_readv, по системному вызову на каждый маленький объект, на memcpy с обработчиком сигнала для восстановления после ошибок памяти, это около 50% для синхронного кода.
В сумме на сервисах с выкаченными изменениями оверхед упал более чем на 60%.
В проде профилировщик нашёл бесконечный цикл в библиотеке pylzstring, которую затем починили в апстриме, и внутреннюю библиотеку, строившую большие debug-строки при логгере уровня INFO. Отдельно ИИ-агент через MCP и Dynamic Instrumentation оптимизировал функ
ции на NumPy и снизил CPU в них на 15-30%. Улучшения доступны в свежих версиях ddtrace. Автор отмечает, что похожий подход принят в Tachyon, профилировщике CPython 3.15, но сравнения не делает, как и абсолютных цифр оверхеда.
Источник: https://www.datadoghq.com/blog/engineering/async-python-profiler/
@Python_Community_ru | 501 |
| 15 |  📱 35 млрд параметров на смартфоне с потреблением около 3 ГБ оперативной памяти.
OpenBMB показала MiniCPM-V 4.7: мультимодальный ИИ, который локально читает вывески, разбирает документы и анализирует изображения и видео.
Доступны две версии:
• 35B-A3B: MoE-модель с 35 млрд параметров, из которых около 3 млрд активны при обработке токена.
• 1B: компактный вариант для устройств с ограниченными ресурсами.
Главная технология, Lookahead Expert Scheduling, заранее подгружает нужных экспертов из накопителя и совмещает загрузку с вычислениями. По данным команды, на iPhone 17 Pro Max модель выдаёт более 13 токенов в секунду.
3 ГБ здесь означают память во время работы: веса модели хранятся отдельно на накопителе.
Также открыли Self-Replay Fine-Tuning для обучения новым задачам с меньшим забыванием прежних навыков. Поддерживаются iOS, Android и HarmonyOS.
https://github.com/OpenBMB/MiniCPM-V
@Python_Community_ru | 587 |
| 16 |  ⚡️ Overmind - open-source слой для автоматической оптимизации AI-агентов.
Вместо ручного тюнинга он запускает эксперименты и помогает улучшать сразу несколько частей агента:
- системные промпты
- описания инструментов
- выбор модели
- pipeline и control flow
- поведение агента на реальных задачах
Идея в том, чтобы не гадать, какой prompt или model лучше, а системно тестировать варианты и оставлять те, которые реально дают прирост по метрикам.
Проект позиционируется как supervision + fine-tuning layer для agentic AI и доступен как Python-пакет. Свежая версия 0.1.82 опубликована 1 октября 2026 года. :
https://github.com/overmind-core/overmind
@Python_Community_ru | 638 |
| 17 | 🖥 Python-дайджест недели: агенты с онтологией, рантайм-проверка типов и SQLite в проде
Собрали самое полезное из свежего выпуска Python Hub.
EvoOntology от RUC DataLab. Это самообновляющийся слой онтологии для дата-агентов: он связывает разнородные таблицы, файлы и базы, чтобы агент понимал, где какие данные лежат.
https://github.com/ruc-datalab/EvoOntology
Quail. Опенсорсный AI-SQL движок, который оптимизирует план запроса вместе с LLM-инференсом. Авторы заявляют ускорение в среднем в 1,84 раза и до 14 раз относительно настроенного vLLM.
https://fsdatalab.github.io/blog/introducing-quail/
AI Engineering from Scratch. Бесплатный открытый курс по построению ИИ-систем с нуля, от математики до продакшена.
https://aiengineeringfromscratch.com/index.html
Taste-Bench. Бенчмарк проверяет, умеет ли агент в длинной задаче выбрать правильное направление в точке развилки. Как раз там агенты чаще всего и ломаются.
https://github.com/wbopan/tastebench
livenerf. Долгоиграющий бенчмарк, который отслеживает, не деградирует ли frontier-модель тихо после релиза.
https://github.com/ninjahawk/livenerf
Себастьян Рашка разбирает историю классификации текста от bag-of-words до LLM и объясняет, когда специализированный классификатор всё ещё выигрывает у большой модели.
https://magazine.sebastianraschka.com/p/classifier-history-and-jev
type_enforced. Быстрая проверка аннотаций типов прямо в рантайме для Python 3.11+, без зависимостей.
https://github.com/connor-makowski/type_enforced
django-upgrade-report. Показывает, какие зависимости блокируют апгрейд Django и в каком порядке их обновлять.
https://github.com/derblub/django-upgrade-report
Необычный эксперимент Филипа Цукера: union-find на Python, который печатает доказательства для Lean.
https://www.philipzucker.com/proof_uf/
Ciaren. Визуальный ETL, который работает локально и экспортирует пайплайн в код на pandas или Polars. Пока альфа под AGPL-3.0.
https://ciaren.com/
На Reddit хорошо разобрали SQLite в продакшене: зачем включать WAL, как настроить busy_timeout и почему пишет один воркер.
https://www.reddit.com/r/Python/comments/1wowf4q/sqlite_in_production_why_wal_mode_busy_timeout/
И вечный холивар: жив ли ещё Flask или FastAPI окончательно победил.
https://www.reddit.com/r/Python/comments/1wxkk8m/anyone_still_using_flask_or_has_fastapi/
Из видео стоит глянуть обзор Pyrefly, статического тайпчекера от Meta.
https://www.youtube.com/watch?v=lFA-zuZRG4Q
Полный дайджест: https://pythonhub.dev/digest/2026-10-11/
@Python_Community_ru | 451 |
| 18 | 🐍 Ротация прокси в Python может обходиться без списка IP и `random.choice()`
Если провайдер поддерживает ротацию на шлюзе, скрипт обращается к одному адресу. Выходные IP меняет сам сервис по выбранному режиму. Именно такой подход разобран в статье.
Минимальный пример проверки:
import os
import requests
# PROXY_URL: адрес шлюза с учётными данными
proxy = os.environ["PROXY_URL"]
proxies = {"http": proxy, "https": proxy}
for _ in range(5):
r = requests.get(
"https://httpbin.org/ip",
proxies=proxies,
timeout=(5, 15),
)
r.raise_for_status()
print(r.json()["origin"])
Нюанс: ключ "https" обозначает протокол целевого сайта. Сам адрес прокси при этом может начинаться с http://. Это корректная настройка для HTTP-прокси.
Ещё важно различать два режима:
• Ротация меняет выходной IP согласно настройкам провайдера.
• Sticky session закрепляет IP на некоторое время.
При этом requests.Session() сохраняет cookies и переиспользует соединения, но самостоятельно IP не меняет. Политику ротации нужно проверять у провайдера.
https://unlimitedresidentialproxy.com/blog/how-to-rotate-proxies-python
@Python_Community_ru | 465 |
| 19 | Вышел Python 3.15: ленивые импорты, frozendict, UTF-8 по умолчанию и JIT, который наконец ускоряет код
Состоялся стабильный релиз Python 3.15. Над ним поработали 1012 контрибьюторов, в версию вошло 5643 коммита.
Самое заметное для повседневной работы это явные ленивые импорты из PEP 810. Тяжёлые модули вроде torch или transformers теперь можно подгружать только в момент первого обращения, и CLI-утилиты и скрипты стартуют заметно быстрее. Ещё одно долгожданное изменение: UTF-8 наконец стал кодировкой по умолчанию на всех платформах, так что сюрпризы с open() на Windows уходят в прошлое.
В языке появились встроенные типы frozendict и sentinel, а в генераторах списков и словарей теперь работает распаковка через звёздочку. Сообщения об ошибках снова стали понятнее.
Экспериментальный JIT серьёзно доработали. На x86-64 Linux он даёт в среднем 7-8% прироста к стандартному интерпретатору, на Apple Silicon 11-12%. Официальные сборки под Windows перешли на tail-calling интерпретатор, а установщик для macOS по умолчанию ставит поддержку free-threading. Для сборок без GIL появился стабильный ABI, это откроет дорогу бинарным пакетам под многопоточный Python.
Для тех, кто ищет узкие места в коде, в стандартной библиотеке появился отдельный пакет profiling и высокочастотный сэмплирующий профайлер Tachyon. Указатели фреймов теперь включены по умолчанию, и системные профайлеры видят Python-стек без танцев с бубном.
В типизации добавили TypedDict с типизированными дополнительными ключами, TypeForm и disjoint bases.
Один нюанс для маководов: на macOS 27.0 приложения на tkinter, включая IDLE, могут зависать при открытии диалогов. Если работаете с Tk, с обновлением системы лучше подождать.
Бонус от Барри Уорсо: текстовый квест whatsnewt, где каждая из 18 головоломок решается реальной фичей 3.15. Запускается командой uvx --python 3.15 whatsnewt.
https://discuss.python.org/t/python-3-15-0-final-is-here/109415
@Python_Community_ru | 549 |
| 20 |  🦙 Ollaya: запуск моделей принятия решений в стиле Ollama.
Скачиваете модель, поднимаете локальный сервер и получаете через API категорию, оценку или вероятность «да». Без генерации текста и разбора ответа LLM.
Подходит для сортировки обращений, модерации, определения намерений и маршрутизации запросов.
Что есть:
• Laya, Decider, NLI, GLiClass и другие модели.
• Работа на CPU и GPU.
• API, совместимый с TypeSafe.
• MCP для подключения к Claude Code, Cursor и другим агентам.
• Windows, Linux и macOS, включая Apple Silicon.
Для старта без NVIDIA GPU автор рекомендует Laya. Есть мультиязычная версия с поддержкой более 100 языков.
Проект написан на Rust, лицензия Apache 2.0. У самих моделей сохраняются собственные лицензии.
https://github.com/ollaya-dev/ollaya
@Python_Community_ru | 706 |
