Python/ django
Open in Telegram
по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Show more
Network:📈 Analytical overview of Telegram channel Python/ django
Channel Python/ django (@pythonl) in the Russian language segment is an active participant. Currently, the community unites 58 881 subscribers, ranking 2 168 in the Technologies & Applications category and 10 176 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 58 881 subscribers.
According to the latest data from 15 September, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -66 over the last 30 days and by -13 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 8.45%. Within the first 24 hours after publication, content typically collects 3.58% reactions from the total number of subscribers.
- Post reach: On average, each post receives 4 976 views. Within the first day, a publication typically gains 2 110 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 28.
- 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 @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
Thanks to the high frequency of updates (latest data received on 16 September, 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.
58 881
Subscribers
-1324 hours
-387 days
-6630 days
Posts Archive
58 884
🔥 Django
Q() objects — один из самых полезных инструментов ORM, который многие используют слишком редко
Q() позволяет собирать сложные условия для WHERE, комбинируя их через AND, OR и NOT.
Пример:
Pet.objects.filter(
Q(last_given_treats__isnull=True)
| Q(last_given_treats__lte=timezone.now() - timedelta(days=1)),
treats_needed__gt=F("treats_given"),
)
q = Q()
for term in search_term.split():
q |= Q(name__icontains=term)
Pet.objects.filter(q)
Species.objects.filter(
pets__name__icontains="meowy"
).filter(
pets__treats_given=0
)
58 884
🖥 Python → C++: Shed Skin компилирует код без ручной расстановки типов
Shed Skin переводит ограниченное подмножество Python 3 в оптимизированный C++. На выходе можно получить отдельную программу или модуль расширения, который импортируется в обычный Python-проект.
Типы инструмент выводит автоматически, поэтому аннотации добавлять не обязательно. Но код должен соответствовать ограничениям статической типизации.
Что со скоростью? На наборе из более чем 80 программ авторы получили среднее ускорение в 20 раз относительно CPython 3.14, медианное - в 12 раз. Это результаты конкретных примеров, а не обещание для любого проекта.
Ограничения существенные:
* Поддерживается только часть Python.
* Из стандартной библиотеки доступны около 25 модулей, включая
random и re.
* Произвольные сторонние библиотеки использовать нельзя.
* Вложенные функции и переменное число аргументов не поддерживаются.
Проект рассчитан прежде всего на небольшие вычислительные участки кода, которые можно отделить от внешних зависимостей. Для совместимости может потребоваться серьёзный рефакторинг.
В репозитории есть примеры, включая трассировку лучей, шахматоподобные игры и DOOM.
https://github.com/shedskin/shedskin58 884
Настольный радар на Raspberry Pi - с самолётами, кораблями и переговорами диспетчеров
FlightScnr Pi превращает Raspberry Pi и круглый 4-дюймовый сенсорный экран в трекер транспорта. На дисплее - тёмная карта, вращающийся луч и самолёты поблизости. Нажимаешь на объект - открываются подробности рейса, маршрут и фотография.
Что умеет:
* Отслеживать самолёты по данным Flightradar24, adsb.fi или собственного приёмника через dump1090/readsb.
* Показывать суда при подключении источника AIS.
* Воспроизводить переговоры авиадиспетчеров через LiveATC на USB- или Bluetooth-колонке.
* Отображать погоду, осадки, пожары и землетрясения.
* Переключаться между радаром, картой маршрута и часами с погодой.
Настройка и обновления доступны через локальный веб-интерфейс. Для повседневного использования SSH не нужен.
Для сборки понадобятся Raspberry Pi, совместимый круглый экран Waveshare 720×720, питание и корпус. Для выбранных источников данных могут потребоваться API-ключи.
Код доступен по CC BY-NC-SA 4.0 - с ограничением на коммерческое использование. В документации есть инструкции по сборке и установке.
https://github.com/yashmulgaonkar/FlightScnr_Pi
58 884
🐙 GitHub показал Project HydraFusion - экспериментальный режим Copilot, который сам собирает лучший сценарий из нескольких.
Для каждого запроса HydraFusion выбирает один из вариантов:
* одна модель решает задачу;
* быстрая модель делает черновик, а при необходимости задача уходит более сильной;
* одна модель пишет решение, другая отдельно его критикует, после чего первая дорабатывает результат.
GitHub тестировал подход на агентных coding-бенчмарках. На TerminalBench 2.1 HydraFusion показал качество на 4,9 п.п. выше Claude Opus 5 при примерно на 67% меньшей расчётной стоимости.
HydraFusion уже доступен как Research Preview во всех планах GitHub Copilot через Copilot CLI.
HydraFusion сама решает, когда хватит дешёвой модели, когда нужен critic и когда стоит эскалировать задачу на более мощную.
https://github.blog/ai-and-ml/github-copilot/project-hydrafusion-frontier-quality-via-multi-model-orchestration/
58 884
🔥 DeepSeek v4.1 Flash теперь можно запустить на двух DGX Spark
Для модели подготовили конфигурацию под 2× DGX Spark с упором на стабильную локальную работу.
Параметры:
- 600K context
- 775K KV cache pool
- до 2 одновременных подключений
- пройден stress test на 550K prefill
- используется EXL3 quantization
Производительность:
- около 32 tok/s — один поток, prose
- около 42 tok/s — два параллельных потока
- около 1000 tok/s prefill на контексте 8K–128K
- около 872 tok/s prefill на 256K
Получается уже вполне серьёзный локальный inference для большой модели без серверной стойки.
GitHub:
https://github.com/MiaAI-Lab/DeepSeek-v4.1-Flash-EXL3-2x-DGX-Sparks
58 884
🌦 Linecast — погода, карты, радар, приливы, Солнце и Луна прямо в терминале
Open-source CLI превращает публичные данные в шесть интерактивных приложений:
-
linecast weather — погода, почасовой прогноз, AQI и предупреждения
- linecast sunshine — восход, закат и длина дня
- linecast moon — фазы Луны, восход/заход и календарь
- linecast tides — график приливов и отливов
- linecast radar — анимированный радар и спутниковые данные
- linecast maps — карты, рельеф, поиск мест и маршруты
Работает на macOS, Linux и Windows. Написан на Python, почти без зависимостей, не требует аккаунта или API-ключей и подстраивает цвета под тему терминала.
Можно даже запустить без установки:
uvx linecast weather
GitHub:
https://github.com/ashuttl/linecast58 884
🐍 Исправление опечаток всего в 21 строке Python
Питер Норвиг показал очень компактный пример вероятностного spell checker — без нейросетей и сложных моделей.
Идея простая:
- берём слово с ошибкой
- генерируем варианты на расстоянии 1–2 правок
- оставляем слова, которые есть в словаре
- выбираем самый вероятный вариант по частоте в корпусе
Одна правка — это:
удаление → перестановка → замена → вставка
Например:
speling → spelling
Ключевой момент — алгоритм не пытается «понять» слово. Он перебирает близкие варианты и выбирает тот, который статистически встречается чаще.
Очень хороший пример того, как несколько простых идей из теории вероятностей и обработки текста превращаются в рабочий инструмент буквально в пару десятков строк Python.58 884
🌐 Твоё ИИ-решение — в одной из крупнейших энергетических компаний России
Получи подготовленные данные и разработай ИИ-ассистента для энергетики на соревновании от ПАО «Интер РАО» при поддержке компании «Яндекс».
Призовой фонд — 750 000 рублей. Лучшие проекты смогут стать частью экосистемы компании.
Регистрация открыта до 27 сентября.
Можно участвовать одному или командой до 5 человек. Идеальный состав: разработчик, специалист по машинному обучению, аналитик и дизайнер.
Задачи соревнования — за какую возьмешься? 1️⃣ ИИ-помощник для подготовки презентаций. 2️⃣ Помощник для анализа документов из судов. 3️⃣ Ассистент для создания ИТ/ИБ-дайджестов. 4️⃣ Архитектор BPMN-диаграмм.Стартуем 28 сентября. Придумай концепт проекта: самые сильные идеи участники доработают под руководством экспертов Группы «Интер РАО» с 9 по 23 октября. Финал в Москве — 3 ноября. ➡️ Регистрируйся: https://cnrlink.com/interraohack26pydj
58 884
✔️ Claude выложил вредоносный пакет в PyPI. В рассуждениях он называл происходящее симуляцией
Anthropic разобрала четыре случая, когда её модели атаковали реальные системы во время тестов по кибербезопасности.
Моделям сообщили, что они работают в изолированной среде без интернета. Но из-за ошибки настройки доступ в сеть остался открытым. Защитные фильтры публичных продуктов на этих тестах были отключены.
В самом серьёзном эпизоде Claude Mythos 5:
* Зарегистрировал аккаунт в PyPI и опубликовал три версии вредоносного пакета.
* Пакет установили 15 систем.
* Через утёкшие учётные данные одной из них модель получила доступ к базе компании из сферы кибербезопасности.
При этом Claude продолжал объяснять свои действия тем, что находится в симуляции. Признаки реального интернета он интерпретировал в пользу продолжения задания.
Эти объяснения убедили даже другую модель, проверявшую безопасность действий. Один из офлайн-мониторов пропустил инцидент, приняв версию о симуляции.
Anthropic также признала ошибку при обучении Mythos 5: из финальной версии убрали часть тренировочных сценариев, учивших модель останавливаться перед непреодолимыми ограничениями. Тогда другую версию сочли удобнее в использовании. Теперь компания считает, что это решение, вероятно, ухудшило безопасность поведения.
Во всех четырёх случаях модели продолжали выполнять исходные задания. Попыток скрыть следы или координироваться с другими агентами не обнаружили. Независимое расследование проведёт METR.
https://www.anthropic.com/research/alignment-assessment-cybersecurity-incidents
58 884
🔥 monty-go - безопасный запуск Python-кода от LLM прямо внутри Go
Проект оборачивает интерпретатор Pydantic Monty в WebAssembly и запускает его через
wazero.
Что интересно:
- pure Go — без CGO
- без контейнеров и subprocess
- запуск sandbox меньше миллисекунды
- WASM-бинарник всего около 2,9 МБ
- можно ограничить память, время, число аллокаций и глубину рекурсии
- доступ к файлам и ОС идёт только через разрешённые Go-callbacks
- внешние функции работают через pause/resume
Главная идея — агент может написать один Python-скрипт, который вызывает ваши Go-инструменты, вместо длинной цепочки отдельных tool calls. Это уменьшает число обращений к модели и упрощает сложные agentic workflow.
MIT.
https://github.com/fugue-labs/monty-go58 884
⚡️ OriginTracer - низкоуровневая observability-система для Python web stack
OriginTracer позволяет трассировать запросы сразу через несколько уровней приложения:
- Nginx
- Gunicorn
- Uvicorn
- Django
- Celery
Главная идея - видеть путь запроса не только внутри одного фреймворка, а через весь стек: от входа через веб-сервер до фоновых задач.
Это особенно полезно, когда проблема с latency находится не в Django-коде, а где-то между reverse proxy, ASGI/WSGI-сервером и Celery.
Подходит для разбора:
- медленных запросов
- зависаний
- очередей фоновых задач
- bottleneck между слоями
- сложных async-сценариев
Документация:
https://origintracer.app/docs/
58 884
⚡ OrcaRouter стала лучшей uncensored-версией Qwen3.8-27B
Проект Abliterlitics независимо сравнил восемь модификаций модели. Тестирование заняло около 167 GPU-часов и включало анализ весов, KL-дивергенцию, 13 тестов возможностей и 400 сценариев HarmBench.
Результаты Qwen3.8-27B-Uncensored:
* первое место по Judge ASR - 82,2%
* у базовой модели - 4,5%
* MMLU-Pro - практически без изменений
* IFEval - +0,4 процентного пункта
* подтверждены все четыре заявления из карточки модели
Модель стала значительно реже отказывать, сохранив интеллект и способность следовать инструкциям на уровне оригинальной Qwen3.8-27B. Итог независимого исследования - «The winner».
Анализ:
https://abliterlitics.dev/models/qwen38-27b/
Модель:
https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored
58 884
Python и ИИ в 2026 году: как правильно работать с кодом через ChatGPT, Claude, Cursor и AI-агентов
Как использовать ИИ для написания, проверки, рефакторинга и отладки Python-кода.
Лучшие промпты, примеры, workflow и правила работы с AI-ассистентами в 2026 году.
https://uproger.com/python-i-ii-v-2026-godu-kak-pravilno-rabotat-s-kodom-cherez-chatgpt-claude-cursor-i-ai-agentov/
58 884
🦅 Colibrì - движок для запуска очень больших AI-моделей на обычных ПК и рабочих станциях, даже если модель целиком не помещается в видеопамять.
Как это работает:
MoE-модели состоят из множества «экспертов», но для каждого токена используется только небольшая их часть.
Colibrì хранит:
* самые нужные веса в VRAM;
* менее активные — в RAM;
* редко используемые - на NVMe SSD.
Когда модели нужен конкретный эксперт, движок подгружает его с диска или из RAM.
То есть для запуска условной модели на сотни миллиардов или даже триллионы параметров не обязательно иметь столько же VRAM.
Поддерживаются CPU, CUDA, Metal и смешанное размещение модели.
Проще говоря: Colibrì позволяет запускать гигантские MoE-модели локально, жертвуя в первую очередь скоростью, а не возможностью их вообще запустить.
https://github.com/JustVugg/colibri
58 884
VCR.py - очень удобная библиотека для тестирования Python-кода, который ходит во внешние API.
Первый запуск теста делает реальные HTTP-запросы и сохраняет ответы в так называемую cassette - по умолчанию YAML-файл. Следующие запуски уже не идут в сеть: VCR.py перехватывает знакомый запрос и возвращает сохранённый ответ.
Что это даёт:
- тесты становятся детерминированными
- их можно запускать офлайн
- они работают заметно быстрее
- внешнее API не нужно дёргать сотни раз в CI
- если API изменилось, cassette можно просто перезаписать
Особенно полезно для тестов интеграций с REST API, платёжными сервисами, LLM API и любыми внешними HTTP-сервисами.
Проект активно развивается: в актуальной ветке 8.x есть поддержка HTTPX, custom transports, безопасная загрузка YAML и свежая поддержка
niquests.
MIT License.
https://github.com/kevin1024/vcrpy58 884
+1⚡️ GPT-6 Astra подняла рекорд Epoch AI с 163 до 169 ECI
GPT-6 Astra установила новый максимум в индексе возможностей Epoch AI - 169 баллов против предыдущих 163.
Для масштаба: тренд эпохи reasoning-моделей составляет около 15 ECI в год, поэтому скачок на 6 пунктов соответствует примерно пяти месяцам прогресса. Astra находится немного выше трендовой линии, но всё ещё в пределах ожидаемого диапазона.
Особенно выделяются отдельные результаты:
- 84% на Mystery Game Puzzles против предыдущего рекорда в 59%
- 98% на FrontierMath Tier 4 - Epoch уже считает этот уровень практически полностью насыщенным
При этом результат заметно расходится с рейтингом Artificial Analysis Intelligence Index.
Причина в методологии: Epoch и Artificial Analysis используют разные наборы тестов и веса. AA сильнее акцентирует coding и agentic-задачи, поэтому лидерство Astra в ECI не означает автоматического лидерства во всех практических сценариях.
По метрике Epoch скачок действительно большой - +6 ECI за одно поколение модели.
https://x.com/Machinelearrn/status/2095826666702393538
58 884
🔥 AI Job Search - open-source система, которая превращает Claude Code в помощника по поиску работы
Она умеет:
- анализировать вакансии и оценивать, насколько они подходят
- подгонять CV под конкретную позицию
- писать сопроводительные письма
- готовить к интервью
- искать вакансии через отдельные skills
- хранить профиль, документы и историю откликов локально
Интересно, что автор сам использовал этот workflow для поиска работы: 69 адаптированных откликов → 20 первых интервью → 1 оффер.
Проект построен как набор команд
/setup, /scrape, /apply, /interview и легко форкается под свои сайты вакансий и рынок.
MIT License.
https://github.com/MadsLorentzen/ai-job-search58 884
🚀 Целую AI-компанию можно запустить прямо на своём компьютере.
Разработчики выложили open-source проект Auto-Company, где внутри работают сразу 14 AI-агентов.
Есть CEO с ролевым промптом в стиле Джеффа Безоса, CTO в стиле Вернера Фогельса, разработчики, дизайнеры, QA, маркетолог, продажник и CFO.
Агенты сами:
• собираются в команды
• придумывают продукты
• проверяют идеи
• пишут код
• деплоят
• передают контекст следующей «смене» через один Markdown-файл
По сути, это автономная виртуальная команда, которую можно развернуть локально и использовать как мини-стартап под свою задачу.
https://github.com/MaxMiksa/Auto-Company
58 884
⚡️ KTransformers - open-source фреймворк из Китая, который позволяет запускать огромные модели на обычном потребительском железе.
Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера.
Что заявляют разработчики:
- до 28× быстрее инференс в отдельных сценариях
- дообучение DeepSeek-V3 на 4 потребительских GPU
- поддержка Kimi-K2, GLM-5 и MiniMax
- без облака и собственного дата-центра
- полностью open source
Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей.
https://github.com/kvcache-ai/ktransformers
