Available now! Telegram Research 2025 — the year's key insights 
Python/ django
Open in Telegram
по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Show more📈 Analytical overview of Telegram channel Python/ django
Channel Python/ django (@pythonl) in the Russian language segment is an active participant. Currently, the community unites 59 789 subscribers, ranking 2 217 in the Technologies & Applications category and 10 234 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 59 789 subscribers.
According to the latest data from 23 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -525 over the last 30 days and by -22 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 8.72%. Within the first 24 hours after publication, content typically collects 3.60% reactions from the total number of subscribers.
- Post reach: On average, each post receives 5 215 views. Within the first day, a publication typically gains 2 151 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 26.
- Thematic interests: Content is focused on key topics such as github, claude, контекст, архитектура, api.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“по всем вопросам @haarrp
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fmxm...”
Thanks to the high frequency of updates (latest data received on 24 June, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
59 789
Subscribers
-2224 hours
-1417 days
-52530 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
June '26
June '26
+54
in 0 channels
May '26
+73
in 1 channels
Get PRO
April '26
+107
in 8 channels
Get PRO
March '26
+204
in 25 channels
Get PRO
February '26
+363
in 50 channels
Get PRO
January '26
+982
in 111 channels
Get PRO
December '25
+208
in 7 channels
Get PRO
November '25
+486
in 46 channels
Get PRO
October '25
+117
in 22 channels
Get PRO
September '25
+3 917
in 181 channels
Get PRO
August '25
+924
in 18 channels
Get PRO
July '25
+1 812
in 85 channels
Get PRO
June '25
+1 488
in 93 channels
Get PRO
May '25
+249
in 7 channels
Get PRO
April '25
+417
in 31 channels
Get PRO
March '25
+287
in 14 channels
Get PRO
February '25
+527
in 45 channels
Get PRO
January '25
+2 105
in 56 channels
Get PRO
December '24
+1 168
in 70 channels
Get PRO
November '24
+3 786
in 192 channels
Get PRO
October '24
+5 728
in 78 channels
Get PRO
September '24
+2 068
in 207 channels
Get PRO
August '24
+1 164
in 43 channels
Get PRO
July '24
+1 632
in 53 channels
Get PRO
June '24
+1 751
in 58 channels
Get PRO
May '24
+1 467
in 39 channels
Get PRO
April '24
+1 067
in 47 channels
Get PRO
March '24
+1 190
in 28 channels
Get PRO
February '24
+1 611
in 8 channels
Get PRO
January '24
+1 605
in 49 channels
Get PRO
December '23
+802
in 46 channels
Get PRO
November '23
+4 375
in 51 channels
Get PRO
October '23
+1 184
in 6 channels
Get PRO
September '23
+1 766
in 0 channels
Get PRO
August '23
+2 630
in 1 channels
Get PRO
July '23
+1 617
in 0 channels
Get PRO
June '23
+1 711
in 0 channels
Get PRO
May '23
+988
in 0 channels
Get PRO
April '23
+455
in 0 channels
Get PRO
March '23
+779
in 0 channels
Get PRO
February '23
+692
in 0 channels
Get PRO
January '23
+603
in 0 channels
Get PRO
December '22
+555
in 0 channels
Get PRO
November '22
+610
in 0 channels
Get PRO
October '22
+606
in 0 channels
Get PRO
September '22
+704
in 0 channels
Get PRO
August '22
+607
in 0 channels
Get PRO
July '22
+618
in 0 channels
Get PRO
June '22
+670
in 0 channels
Get PRO
May '22
+909
in 0 channels
Get PRO
April '22
+941
in 0 channels
Get PRO
March '22
+1 284
in 0 channels
Get PRO
February '22
+1 131
in 0 channels
Get PRO
January '22
+680
in 0 channels
Get PRO
December '21
+589
in 0 channels
Get PRO
November '21
+594
in 0 channels
Get PRO
October '21
+590
in 0 channels
Get PRO
September '21
+565
in 0 channels
Get PRO
August '21
+603
in 0 channels
Get PRO
July '21
+640
in 0 channels
Get PRO
June '21
+604
in 0 channels
Get PRO
May '21
+557
in 0 channels
Get PRO
April '21
+993
in 0 channels
Get PRO
March '21
+545
in 0 channels
Get PRO
February '21
+668
in 0 channels
Get PRO
January '21
+826
in 0 channels
Get PRO
December '20
+11 844
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 24 June | +1 | |||
| 23 June | +2 | |||
| 22 June | +2 | |||
| 21 June | +1 | |||
| 20 June | 0 | |||
| 19 June | +1 | |||
| 18 June | +3 | |||
| 17 June | +6 | |||
| 16 June | +6 | |||
| 15 June | +2 | |||
| 14 June | +1 | |||
| 13 June | +4 | |||
| 12 June | 0 | |||
| 11 June | +3 | |||
| 10 June | +2 | |||
| 09 June | 0 | |||
| 08 June | 0 | |||
| 07 June | +5 | |||
| 06 June | 0 | |||
| 05 June | +5 | |||
| 04 June | 0 | |||
| 03 June | +1 | |||
| 02 June | +7 | |||
| 01 June | +2 |
Channel Posts
| 2 | 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! | 1 476 |
| 3 | 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 | 1 765 |
| 4 | 🔍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. | 1 770 |
| 5 |  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. | 1 900 |
| 6 | 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/ | 2 134 |
| 7 |  +6🏆 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 | 2 191 |
| 8 | ⚡️ 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/ | 2 681 |
| 9 |  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 | 3 474 |
| 10 | 🖥 На stepik обновили курс Python в 2026 - рабочий инструмент для автоматизации, ботов, парсинга, API, данных и разработки с ИИ.
Проблема новичков в том, что они учат Python кусками: синтаксис, пару задач, немного теории - и потом не понимают, как собрать из этого реальный проект.
Этот курс закрывает именно этот разрыв. Здесь вы не просто смотрите уроки, а учитесь писать код, разбирать ошибки и собирать рабочие решения на практике.
Внутри:
- Python с нуля
- много практики без сухой теории
- реальные задачи и проекты
- автоматизация рутины
- работа с файлами, данными и API
- понятная логика программирования
- современная разработка с ИИ
- отдельный блок по вайбкодингу
Вайбкодинг это нормальный навык 2026 года и вас научат- правильно ставить задачу, проверять код, понимать результат и быстрее доводить проект до рабочего состояния.
48 часов скидка 60%: https://stepik.org/course/288218/ | 3 344 |
| 11 | 🐍 Python Парсинг: Большой продвинутый бесплатный курс
Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики.
https://github.com/justxor/Pythonparsing-/tree/main | 3 610 |
| 12 | GLM-5.2 теперь можно запускать локально.
2-битная версия сохраняет около 82% точности после сжатия модели с 1,51 ТБ до 238 ГБ, то есть размер уменьшили на 84%.
Запуск возможен на Mac с 256 ГБ памяти или на системах с достаточным объёмом RAM/VRAM.
GLM-5.2 называют самой сильной открытой моделью на данный момент.
Гайд: https://unsloth.ai/docs/models/glm-5.2
GGUF: https://huggingface.co/unsloth/GLM-5.2-GGUF | 3 843 |
| 13 |  Python иногда может выглядеть как тёмная магия.
Вот однострочный quicksort через lambda:
q = lambda x: x and q([i for i in x[1:] if i <= x[0]]) + [x[0]] + q([i for i in x[1:] if i > x[0]])
Что тут происходит:
* берём первый элемент как pivot
* всё, что меньше или равно ему, рекурсивно сортируем слева
* сам pivot ставим в центр
* всё, что больше, рекурсивно сортируем справа
* если список пустой, возвращается пустой список
Работает красиво, но в продакшен так писать не надо. Это скорее пример того, насколько гибким может быть Python, чем нормальный стиль кода.
Минусы очевидные: плохая читаемость, рекурсия, лишние списки на каждом шаге и риск упереться в лимит рекурсии.
Но как демонстрация идеи quicksort в одну строку — выглядит эффектно. | 3 533 |
| 14 | 💻Инженерный университет нового типа НЕЙМАРК открыл приёмную кампанию — и вот почему это интересно.
Здесь ушли от скучной теории и учат системному мышлению и работе с ИИ — метанавыкам, которые позволяют не конкурировать с нейросетями, а создавать и масштабировать работающие продукты!
Что дает университет:
- два диплома сразу благодаря совместным программам с НИУ ВШЭ, ННГУ и другими ведущими вузами
- актуальная база в кибербезопасности, робототехнике, ИИ или телекоме
- индивидуальная траектория с ментором и реальные кейсы в портфолио с первого курса.
⚡️Приёмная кампания на 2026 год уже открыта. Собственные ИТ-проекты, личные достижения и олимпиады дают преимущество и возможность учиться по гранту.
Выбирай направление и подавай заявку по ссылке: neimark-it.ru | 3 226 |
| 15 |  Zero training needed, Image-to-LoRA(i2L) V2 уже вышел 🚀
Обновлённая версия i2L стала заметно мощнее: теперь она может превратить одно или несколько референсных изображений в style LoRA за один прямой проход, без отдельного обучения для кастомизации визуального стиля.
🌟 Что нового в V2:
* Совместимость: работает с разными базовыми моделями, включая Z-Image, Klein-4B и Hidream-O1.
* Скорость: прямое предсказание весов style LoRA без обучения.
* Точность стиля: высокая верность переноса стиля без утечки семантики.
* Контроль: явные веса открывают asymmetric CFG, смешивание стилей из нескольких референсов и управляемую генерацию.
* Архитектура: image encoder, обучаемые LoRA queries и compressed decoding heads, которые генерируют адаптированные матрицы.
🤖 Коллекция моделей: https://modelscope.ai/collections/DiffSynth-Studio/Image-to-LoRA-V2
🎠 Studio: https://modelscope.ai/studios/DiffSynth-Studio/Z-Image-i2L-V2
📄 Paper: https://modelscope.ai/papers/2606.13809 | 3 582 |
| 16 |  SQLModel использует аннотации типов Python, чтобы объединить Pydantic и SQLAlchemy и уменьшить дублирование кода при работе с SQL-базами.
* одна аннотация типа заменяет отдельные модели Pydantic и SQLAlchemy
* хорошо совместим с FastAPI, Pydantic и SQLAlchemy
* внутри работает на базе Pydantic и SQLAlchemy
* разумные настройки по умолчанию уменьшают количество шаблонного кода
https://github.com/fastapi/sqlmodel | 3 970 |
| 17 |  🔍 Обнаружение уязвимостей с помощью Audit
Audit — это агент для поиска уязвимостей, использующий 8-ступенчатую методологию, основанную на взаимодействии узких агентов и принципе "умышленного несогласия". Он интегрируется с Claude Pro и предлагает структурированные отчеты о безопасности.
🚀 Основные моменты:
- Многопоточность: узкие агенты работают параллельно для поиска уязвимостей.
- Умышленное несогласие: второй агент проверяет выводы первого.
- Отслеживание доступности: подтверждает, что уязвимости могут быть достигнуты злоумышленником.
- Обратная связь: находит новые задачи на основе обнаруженных уязвимостей.
📌 GitHub: https://github.com/evilsocket/audit
#python | 4 648 |
| 18 |  TerminalTextEffects - это Python-библиотека без внешних зависимостей для добавления анимированного текста прямо в терминал.
Что умеет:
- работает прямо в текущем терминале и не ломает привычный workflow
- поддерживает Xterm 256 и RGB HEX-цвета
- умеет сложное движение символов через кривые Безье и плавное ускорение
- эффекты можно настраивать через типизированный config dataclass
- CLI-аргументы генерируются автоматически из конфигурации
https://github.com/ChrisBuilds/terminaltexteffects | 4 934 |
| 19 | Nex-N2 - новое любопытное семейство агентных моделей.
Что внутри:
- Adaptive Thinking - модель сама подбирает глубину рассуждения на каждом шаге
- экономия около 20% токенов без потери качества
- Coherent Thinking - единый формат мышления для поиска, кодинга и tool use
- меньше хрупких переключений между разными режимами работы
По заявлению команды, Nex-N2 показывает уровень Tier-1 open-source моделей на SWE-bench, Terminal-Bench, GDPval и других бенчмарках, приближаясь к GPT-5.5 и Opus 4.7.
Звучит мощно, но такие цифры стоит проверять независимыми прогонами.
- Kimi-K2.6: 86% - 13 из 14
- MiniMax: 100% - 8 из 8
- GLM-5.1: 100% - 13 из 13
- DeepSeek-V4-Pro: 92% - 11 из 12
- Opus 4.7: 45% - 5 из 11
- GPT-5.5: 30% - 3 из 10
🎉 Open-weight. Try it now.
🔗 https://nex-agi.com
📦 https://huggingface.co/nex-agi/Nex-N2-Pro
https://modelscope.cn/models/nex-agi/Nex-N2-Pro
https://github.com/nex-agi/Nex-N2 | 5 758 |
| 20 | 🚀 GPU-библиотека для классического машинного обучения
FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения.
🚀Основные моменты:
- Поддержка 15 высокоуровневых примитивов для машинного обучения.
- Информативный API для оценки производительности операций.
- Оптимизированные реализации для кластеризации, регрессии и декомпозиции.
- Легкая интеграция с PyTorch и sklearn.
📌 GitHub: https://github.com/FlashML-org/flashlib
#python | 5 398 |
