Python RU
Open in 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
Show more
Network:📈 Analytical overview of Telegram channel Python RU
Channel Python RU (@pro_python_code) in the Russian language segment is an active participant. Currently, the community unites 12 330 subscribers, ranking 10 140 in the Technologies & Applications category and 52 291 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 12 330 subscribers.
According to the latest data from 25 October, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -30 over the last 30 days and by -2 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 7.85%. Within the first 24 hours after publication, content typically collects 3.15% reactions from the total number of subscribers.
- Post reach: On average, each post receives 968 views. Within the first day, a publication typically gains 388 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 4.
- Thematic interests: Content is focused on key topics such as api, docker, github, sql, linux.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“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”
Thanks to the high frequency of updates (latest data received on 26 October, 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.
12 330
Subscribers
-224 hours
-37 days
-3030 days
Loading data
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
October '26Oct '26
October '26
+46
in 0 channels
September '26
+55
in 0 channels
Get PRO
August '26
+43
in 0 channels
Get PRO
July '26
+40
in 0 channels
Get PRO
June '26
+31
in 0 channels
Get PRO
May '26
+27
in 0 channels
Get PRO
April '26
+18
in 0 channels
Get PRO
March '26
+32
in 1 channels
Get PRO
February '26
+32
in 0 channels
Get PRO
January '26
+38
in 1 channels
Get PRO
December '25
+38
in 0 channels
Get PRO
November '25
+89
in 0 channels
Get PRO
October '25
+57
in 0 channels
Get PRO
September '25
+79
in 1 channels
Get PRO
August '25
+66
in 1 channels
Get PRO
July '25
+288
in 3 channels
Get PRO
June '25
+86
in 1 channels
Get PRO
May '25
+68
in 0 channels
Get PRO
April '25
+165
in 0 channels
Get PRO
March '25
+85
in 2 channels
Get PRO
February '25
+142
in 0 channels
Get PRO
January '25
+172
in 0 channels
Get PRO
December '24
+310
in 4 channels
Get PRO
November '24
+190
in 0 channels
Get PRO
October '24
+367
in 2 channels
Get PRO
September '24
+348
in 3 channels
Get PRO
August '24
+477
in 2 channels
Get PRO
July '24
+305
in 2 channels
Get PRO
June '24
+296
in 10 channels
Get PRO
May '24
+388
in 36 channels
Get PRO
April '24
+430
in 43 channels
Get PRO
March '24
+511
in 20 channels
Get PRO
February '24
+632
in 3 channels
Get PRO
January '24
+549
in 44 channels
Get PRO
December '23
+543
in 40 channels
Get PRO
November '23
+205
in 2 channels
Get PRO
October '23
+174
in 6 channels
Get PRO
September '23
+438
in 0 channels
Get PRO
August '23
+540
in 0 channels
Get PRO
July '23
+362
in 0 channels
Get PRO
June '23
+748
in 0 channels
Get PRO
May '23
+350
in 0 channels
Get PRO
April '23
+148
in 0 channels
Get PRO
March '23
+210
in 0 channels
Get PRO
February '23
+356
in 0 channels
Get PRO
January '23
+187
in 0 channels
Get PRO
December '22
+117
in 0 channels
Get PRO
November '22
+267
in 0 channels
Get PRO
October '22
+933
in 0 channels
Get PRO
September '22
+485
in 0 channels
Get PRO
August '22
+411
in 0 channels
Get PRO
July '22
+636
in 0 channels
Get PRO
June '22
+1 029
in 0 channels
Get PRO
May '22
+1 476
in 0 channels
Get PRO
April '22
+1 378
in 0 channels
Get PRO
March '22
+751
in 0 channels
Get PRO
February '22
+205
in 0 channels
Get PRO
January '22
+241
in 0 channels
Get PRO
December '21
+193
in 0 channels
Get PRO
November '21
+900
in 0 channels
Get PRO
October '21
+697
in 0 channels
Get PRO
September '21
+142
in 0 channels
Get PRO
August '21
+315
in 0 channels
Get PRO
July '21
+503
in 0 channels
Get PRO
June '21
+1 124
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 26 October | +2 | |||
| 25 October | 0 | |||
| 24 October | +3 | |||
| 23 October | +4 | |||
| 22 October | +3 | |||
| 21 October | +1 | |||
| 20 October | +1 | |||
| 19 October | +2 | |||
| 18 October | +6 | |||
| 17 October | +9 | |||
| 16 October | +1 | |||
| 15 October | +1 | |||
| 14 October | 0 | |||
| 13 October | 0 | |||
| 12 October | +3 | |||
| 11 October | +1 | |||
| 10 October | 0 | |||
| 09 October | +1 | |||
| 08 October | +3 | |||
| 07 October | 0 | |||
| 06 October | +1 | |||
| 05 October | +1 | |||
| 04 October | 0 | |||
| 03 October | +1 | |||
| 02 October | +1 | |||
| 01 October | +1 |
Channel Posts
| 2 |  Python 🥇🥇🥇 | 577 |
| 3 | В PyPI-пакет и Docker-образ с LiteLLM подставлено вредоносное ПО
Зафиксирована публикация в репозитории PyPI вредоносного выпуска библиотеки LiteLLM, насчитывающей 23 млн загрузок в неделю, а также подстановка вредоносного кода в официальный Docker-образ проекта. Это не первый подобный инцидент с LiteLLM - в марте этого года атакующие уже публиковали вредоносные выпуски после перехвата учётных данных сопровождающего. На этот раз атакующие разместили версию LiteLLM 1.107.0, в которую был встроен вредоносный код для организации удалённого выполнения команд, а также поиска и отправки учётных данных, ключей и токенов доступа.
Полный текст:
https://opennet.ru/66525/
https://opennet.me/66525/ | 866 |
| 4 |  Как закомментировать в Python: 5 способов для строки и нескольких строк
Как закомментировать в Python одну или несколько строк: 5 способов, горячие клавиши в VS Code, PyCharm, IDLE и Jupyter, docstring и частые ошибки.
https://uproger.com/kak-zakommentirovat-v-python/ | 982 |
| 5 |  🔧 Google открыла Harness²: ИИ-агент сам улучшает свою рабочую среду
Результат агента зависит не только от модели, но и от её окружения: системного промпта, инструментов, памяти, навыков и субагентов. Всё это называют harness.
Harness² позволяет менять эту конфигурацию под новую задачу без переобучения модели.
Агент предлагает правки, пробует несколько вариантов на одной задаче, сравнивает поведение запусков и собирает улучшенную конфигурацию. Для этого ему не нужен заранее известный правильный ответ или внешний проверяющий.
После задачи система сохраняет выбранную конфигурацию и выводы, подтверждённые запусками. Следующий цикл улучшений начинается уже с этим опытом.
В тестах с Gemini 3.5 Flash и GLM-5 один шаг улучшения дал прирост до 11,5 балла на WorkBuddy-Bench, 4,5 балла на JobBench и 11,8 процентного пункта по partial pass rate на LAB. Дополнительные итерации повышали результаты.
Конфигурации можно проверять параллельно или дорабатывать последовательно. Поддерживаются OpenCode и Codex.
https://github.com/google-research/harness2
@ai_machinelearning_big_data
#harness | 953 |
| 6 |  👾 Русскоязычный каталог из 2118 проектов по декомпиляции игр: от Ocarina of Time до Xbox 360
На GitHub появился awesome-список, собранный на русском: проекты, которые восстанавливают игры из машинного кода. Это декомпиляции, статические рекомпиляции, порты на исходниках и ремейки движков. Задача простая: помочь найти проект под нужную игру и платформу и объяснить, как всё это устроено.
Масштаб впечатляет. В каталоге около 2118 проектов для примерно 1829 игр, из них 1771 активных. По типам: 786 декомпиляций, 525 статических рекомпиляций, 269 портов на исходниках, 238 ремейков движков, 234 дизассемблирования, 57 браузерных портов и 9 инструментов.
По платформам лидирует ПК с 295 проектами, дальше Nintendo 64 (190), Xbox 360 и PlayStation 1 (по 161). Следом идут DOS, GameCube, PS2, Game Boy Advance и Wii. Среди примеров Zelda (Ocarina of Time, Majora's Mask, Twilight Princess), Mario 64, Sonic, Diablo, Morrowind, OpenRA и OpenRCT2.
Внутри не просто список. В README есть топ-25, отдельный список браузерных портов, каталоги по типам и платформам, раздел о том, как начать декомпилировать самому, FAQ и глоссарий. Из инструментов упоминаются N64Recomp, XenonRecomp, RT64, splat, decomp.me, objdiff и m2c. Каталог обновляется автоматически через GitHub Actions.
Важная оговорка: сами проекты работают с данными из легально купленных копий игр, а в репозитории лежат только ссылки.
Репозиторий: https://github.com/justxor/awesome-decomp-games-ru | 712 |
| 7 | 🧪 Добавил соль в воду. Python посчитал свойства раствора.
pyEQL позволяет работать с водными растворами как с Python-объектами: задаёте вещества и их концентрации, получаете расчётные характеристики.
Что умеет:
• Считать плотность, электропроводность и осмотическое давление.
• Определять активности ионов и коэффициенты диффузии.
• Работать с концентрированными растворами благодаря модели Питцера.
• Учитывать единицы измерения через pint.
Внутри есть база физико-химических свойств и параметров моделей. Если данных недостаточно, библиотека переходит к более простым и менее точным методам расчёта.
Полезный инструмент для моделирования химии воды и растворов электролитов.
https://github.com/KingsburyLab/pyEQL | 660 |
| 8 |  🔥 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: 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. | 614 |
| 9 |  No text... | 894 |
| 10 |  Браузерные агенты изнутри: как ИИ кликает по сайтам вместо вас
Как браузерный ИИ-агент видит страницу, выбирает действие и кликает: архитектура, цикл observe-think-act, код на Playwright и защита от prompt injection.
https://uproger.com/kak-rabotayut-brauzernye-ii-agenty/ | 1 120 |
| 11 |  Что нового в Python 3.15? Ленивые импорты, frozendict и JIT быстрее на 12%
Python 3.15 вышел, и в нём много полезного для разработчиков. Ленивые импорты ускоряют запуск, появились frozendict и sentinel, UTF-8 теперь включён по умолчанию, а JIT ускоряет код на 7–12%. Ещё в релизе профилировщик Tachyon, который подключается к живому процессу, новые возможности typing и стабильный ABI для сборок без GIL. Перед обновлением проверьте зависимости и тесты.
Полный разбор: https://uproger.com/python-3-15-chto-novogo/
Видео: https://uproger.com/python-3-15-chto-novogo/
#python #python315 #программирование #разработка #jit | 1 150 |
| 12 |  🐍 Python умеет сравнивать числа как в математике
Проверку диапазона можно записать короче:
# Вместо
if 60 < heart_rate and heart_rate < 100:
print("В пределах диапазона")
# Пишем
if 60 < heart_rate < 100:
print("В пределах диапазона")
Это цепочка сравнений: оба условия должны выполняться. Границы включаются привычным способом:
0 <= score <= 100
💡 Есть полезная тонкость: в 60 < get_value() < 100 функция вызывается только один раз. А если повторить вызов по обе стороны and, она может выполниться дважды. | 1 304 |
| 13 |  Hugging Face исследовали multi-harness RL: обучение с подкреплением сразу через Claude Code, Codex, OpenCode и Mini-SWE-Agent.
Для этого объединили три проекта:
• OpenEnv записывает обращения к модели, токены и вероятности генерации.
• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.
• TRL использует собранные данные для обучения.
Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.
По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.
Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.
📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl | 1 293 |
| 14 |  DeepSeek Harness вышел на десктоп: плагины без терминала и задачи по расписанию
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/ | 1 448 |
| 15 | Пишем игру на Python: неоновая аркада с разбором кода и ИИ
Pygame часто считают библиотекой для школьных проектов, и зря. На нём за вечер собирается динамичная аркада с неоновой графикой, частицами, тряской камеры и волнами врагов, которая выглядит как маленькая инди-игра.
В этой статье мы напишем такую игру на Python с нуля, разберём каждый важный кусок кода и покажем, как ускорить разработку с помощью ИИ-ассистентов и грамотных промптов.
В конце вас ждёт полный код, который можно скопировать и сразу запустить.
https://uproger.com/pishem-igru-na-python-neonovaya-arkada-s-razborom-koda-i-ii/ | 1 412 |
| 16 |  No text... | 1 307 |
| 17 |  No text... | 1 369 |
| 18 |  🐧 Linux Cheat Sheet - шпаргалка по командам Linux
Самая удобная шпаргалка по Linux и Bash на русском: теория простым языком (как устроены файлы, процессы, права, память, загрузка и сеть), команды терминала, права доступа, процессы, сеть, SSH, systemd, grep/sed/awk, Vim и готовые однострочники - с примерами.
А для тех, кто идёт дальше, - продвинутый уровень: Bash для профи, LVM и RAID, трассировка и производительность, ядро, безопасность, контейнеры, восстановление системы и вопросы с собеседований.
https://github.com/justxor/Linux-/ | 1 372 |
| 19 |  10 агентов Claude теоретически обошли алгоритм Дейкстры
В Vals AI запустили 10 агентов Claude Opus 5.5, которые за 15 часов и 733 сообщения разработали алгоритм C-HD для поиска кратчайших путей в ориентированных графах.
Для графов с определённой плотностью сложность снизилась с O(n log n) у Дейкстры до O(n log¹¹⁄¹² n). Корректность и оценка времени работы формально подтверждены доказательством в Lean.
Но это пока теоретический результат. Алгоритм не тестировали на крупных реальных графах, константы велики, а улучшение действует только в ограниченном диапазоне входных данных.
Главное здесь другое: группа ИИ-агентов смогла самостоятельно разработать алгоритм и подготовить его формальное доказательство всего за 15 часов.
https://www.vals.ai/blogs/faster-shortest-path-algorithm | 1 347 |
| 20 |  🌟 Prism ML собрала тернарную версию Qwen3.8-27B
Bonsai 2 27B - сжатая Qwen3.8-27B, которая занимает 5,9 ГБ против примерно 54 ГБ у исходной модели в FP16 и сохраняет 98,2% её среднего результата на бенчмарках.
Prism ML - американский стартап из команды Калтеха, вышедший из стелс-ркжима весной 2026 года с анонсом первой версии моделей Bonsai.
Основатель и руководитель - профессор Калтеха Бабак Хассиби, специалист по теории сжатия. Среди инвесторов стартапа Cerberus, Google и Samsung.
Модель рассчитана на локальный запуск на потребительском оборудовании, имеет контекст в 262 тысячи токенов и может обрабатывать изображения и вызывать инструменты.
Целевые сценарии - агенты в редакторе кода, работа с компьютером, разбор документов без отправки их в облако.
Вес в тернарном квантовании хранится не числом, а одним из трёх знаков: минус, ноль или плюс. Сами величины задаются отдельно - веса разбиты на группы по 128, и у каждой группы один общий множитель в FP16.
В пересчёте на один вес это 1,72 бита против 16 у исходной модели. Перед сжатием веса каждой матрицы разворачивают фиксированным преобразованием Адамара, сам разворот вписан в веса, но при работе его нужно повторить на входных данных, иначе модель выдаёт бессмыслицу.
Распознавание картинок сжатие не проходило, лежит отдельным файлом на 0,6 ГБ и подгружается только тогда, когда на вход пришло изображение, так что текстовые задачи его не задействуют.
🟡В релизе три варианта
🟢GGUF в двух упаковках: PTQ1_0 (1,75 бита, 5,95 ГБ, быстрее на картах Ada и L4) и PQ2_0 (2,13 бита, 7,21 ГБ, быстрее на H100 и Blackwell);
🟢сборка под MLX на 8,60 ГБ вместе со зрением;
🟠тестовая упаковка Q2_0 для доработки ядер.
Для GGUF нужен специальный форк llama.cpp от Prism ML, для MLX - загрузчик из самого пакета.
🟡Бенчмарки
Замеры Prism ML считали через EvalScope и vLLM на H100, в режиме рассуждения, всего провели 14 тестов. Сравнивали со сборки той же Qwen3.8-27B в квантованиях UD-Q4_K_XL и IQ2_XXS.
Среднее по всем тестам: 84,78 против 86,32 у FP16 и 72,59 у IQ2_XXS. До четырёхбитной сборки не хватило 0,4 пункта при втрое меньшем размере.
AIME26: 95,83 против 94,58 у FP16 и 57,50 у IQ2_XXS.
LiveCodeBench: 90,07 против 90,05 и 56,40 соответственно.
BFCL v3 (вызов инструментов): 74,92 против 76,74 у FP16.
MMMU-Pro: 75,49 против 81,73.
Скорость генерации на RTX 5090 примерно 129 токенов в секунду, на ноутбучном M5 Pro - 28 токенов в секунду.
📌Лицензирование: Apache 2.0
🟡Блогпост
🟡Веса
🟡Техотчет
🟡Демо на WebGPU
🟡Сообщество в Discord
🖥GitHub
@ai_machinelearning_big_data
#AI #ML #LLM #Bonsai #PrizmML | 1 058 |
