Python RU

⚡️ Qwen-ASR Toolkit — мощный Python CLI для быстрой транскрипции длинных аудио и видео Эта утилита снимает ограничение API Qwen-ASR (бывший Qwen3-ASR-Flash) в 3 минуты и позволяет расшифровывать часы контента. Достигается это за счёт умного разбиения записи и параллельной обработки. Основные возможности: - Снятие лимита в 3 минуты - транскрибируй файлы любой длины - Умное разбиение (VAD - это технология, которая определяет, где в аудио есть речь, а где — пауза или шум.) - деление по естественным паузам, без - Высокая скорость - многопоточность и параллельные запросы к API - Автоматический ресемплинг — конвертация в нужный формат 16kHz mono - Поддержка любых форматов — MP4, MOV, MKV, MP3, WAV, M4A и др. - Простота - запуск одной командой через CLI 🟢 Установка:

pip install qwen3-asr-toolkit  

🔗 GitHub: https://github.com/QwenLM/Qwen3-ASR-Toolkit @ai_machinelearning_big_data #asr #speech2text #qwen #opensource #nlp #toolki

🖥 Полный гайд по реальным SQL-вопросам с собеседований Введение. Собеседования на позиции, связанные с данными (аналитики, инженеры, ученые данных), всё чаще включают нестандартные и продвинутые вопросы по SQL. Большие технологические компании (Google, Amazon и др.) предъявляют высокие требования: важна не только правильность запроса, но и умение оптимизировать его и разбираться в реальных бизнес-данных. В этом гайде мы разберем категории наиболее распространенных сложных SQL-задач с реальных собеседований – от платформ вроде DataLemur, LeetCode, StrataScratch – и подробно поясним решения. Каждая задача сопровождена анализом: условие, оптимальный подход, используемые SQL-конструкции, возможные ошибки и финальное решение (для PostgreSQL и MySQL, с указанием различий где необходимо). В конце добавлен отдельный раздел о современных базах данных, включая векторные БД (Pinecone, Weaviate, Milvus и др.), с примерами того, что могут спросить про них на собеседовании и как выглядят SQL-подобные запросы для работы с векторами. 📌 Читать гайд

🔥 Продвинутый Python-трюк: динамическое создание классов через type В Python type — это не только функция для проверки типа, но и метакласс, позволяющий на лету создавать новые классы.

# Обычный класс
class MyClass:
    x = 10
    def hello(self):
        return f"Hello, x = {self.x}"

# То же самое, но через type()
MyDynamicClass = type(
    "MyDynamicClass",        # имя класса
    (object,),               # базовые классы
    {                        # атрибуты и методы
        "x": 10,
        "hello": lambda self: f"Hello, x = {self.x}"
    }
)

obj = MyDynamicClass()
print(obj.hello())  # Hello, x = 10

🔴 Реальный собес на Python от ТехЛида с опытом работы в Авито и Яндексе в прямом эфире 11 сентября (уже в четверг!) в 19:00 по мск приходи на прямой эфир с реальным собеседованием на Middle разработчика. Почему точно нужно прийти: 📂 Савва Демиденко, ТехЛид с опытом в Яндексе и Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Савва будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Савве 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.

🎨🚀 Nano Banana Hackathon Kit Официальный стартовый набор для участия в 48-часовом конкурсе от Google DeepMind. Используйте уникальные возможности Gemini API для создания инновационных приложений, которые изменят взаимодействие с визуальным контентом. 🚀Основные моменты: - Доступ к API Gemini 2.5 для создания изображений. - Призы на сумму более $400,000. - Поддержка от партнеров, включая ElevenLabs и fal.ai. - Ресурсы и примеры кода для быстрого старта. - Участие в конкурсе с видео-презентацией вашего проекта. 📌 GitHub: https://github.com/google-gemini/nano-banana-hackathon-kit #python

👨‍💻 Omnara — Mission Control для AI-агентов Что это? Omnara — это «диспетчерская» для ваших AI-агентов. С её помощью можно управлять и наблюдать за работой агентов в реальном времени: через терминал, веб-интерфейс и мобильное приложение. Возможности - Отслеживание всех шагов агента в реальном времени. - Push-уведомления, когда агент ждёт обратной связи. - Ответы и контроль прямо с телефона или браузера. - Единый дашборд для всех агентов. Почему это удобно - Не нужно сидеть за ПК, чтобы держать процесс под контролем. - Всё open-source, можно разворачивать самостоятельно. - Подходит как для разработчиков-одиночек, так и для команд. 👉 Omnara делает взаимодействие с AI-агентами гибким и удобным: вы всегда в курсе, что они делают, и можете вмешаться в любой момент. 🔗 GitHub @pythonl

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 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 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🔥 Python трюк: динамическое добавление методов в класс Мало кто знает, но в Python можно на лету добавлять методы в уже созданный класс. Это удобно для плагинов, тестов или динамических API. Пример 👇

class User:
    def __init__(self, name):
        self.name = name

# Обычный объект
u = User("Alice")

# Функция, которую хотим "подмешать"
def greet(self):
    return f"Hello, {self.name}!"

# Вклиниваем метод в класс
User.greet = greet

print(u.greet())  # Hello, Alice!

⚡ Приём называется monkey patching. Это мощный инструмент — но им надо пользоваться аккуратно, чтобы не сломать читаемость кода. https://www.youtube.com/shorts/64-dqXJZ8RM

Станьте разработчиком нейро-сотрудников на Python и зарабатывайте от 150.000р в месяц 🔥🔥🔥 Мы научим вас создавать топовых нейро-сотрудников на базе GPT-4 Omni, и вы сможете: 1️⃣ Устроиться разработчиком в крупную компанию и зарабатывать от 150 тысяч ₽ в месяц 2️⃣ Разрабатывать такие проекты на заказ и зарабатывать от 500 тысяч ₽ за проект 3️⃣ Создать нейро-сотрудника в вашей компании и вырасти на +30-100% в зарплате Что будет на интенсиве? 🧬 Теория: как создаются нейро-сотрудники с GPT-4o на Python 🧬 Практика: мы создадим нейро-консультанта, нейро-HR, нейро-маркетолога и др. Ведущий интенсива - Senior AI разработчик нейросетей и основатель Университета искусственного интеллекта 🔥 Регистрируйтесь на бесплатный интенсив! Встречаемся в ближайший четверг!

⚡️ Tencent дропнули Hunyuan-MT — мощные open-source модели для перевода Что внутри: - Доступны модели Hunyuan-MT-7B и Hunyuan-MT-Chimera-7B - Поддержка 33 языков - Chimera-7B — это первая d индустрии откртытая ансамблевая модель 🏆 Результаты: - 1-е место в 30 из 31 категорий на международном конкурсе WMT25 (Workshop on Machine Translation 2025, крупнейшая в мире конференция-соревнование по машинному переводу) - Hunyuan-MT-7B лидирует среди моделей своего размера 🟠Модели: https://huggingface.co/collections/tencent/hunyuan-mt-68b42f76d473f82798882597 🟠 Репозиторий: https://github.com/Tencent-Hunyuan/Hunyuan-MT Demo: https://hunyuan.tencent.com/modelSquare/home/list @ai_machinelearning_big_data #AI #NLP #Translation #Tencent

🧠 Интеллектуальный исследовательский агент для глубоких исследований SGR Research Agent использует Schema-Guided Reasoning для автоматического планирования и цитирования. Он поддерживает многоязычность и адаптируется к изменениям в данных, обеспечивая структурированные отчеты с источниками. 🚀 Основные моменты: - 🤔 Приоритет уточнений при неопределенности - 🔄 Автоматическая адаптация плана - 📎 Управление источниками и цитированием - 🌍 Поддержка русского и английского языков - 📊 Генерация детализированных отчетов в Markdown 📌 GitHub: https://github.com/vakovalskii/sgr-deep-research #python

🖥 Новинка: `pyx` — Python-native пакетный реестр от Astral (в Beta) Что такое `pyx`: - Python-native registry, часть платформы Astral и продвинутый бэкенд для uv. - Обеспечивает более быструю, безопасную и GPU-осознанную работу с пакетами (как приватными, так и публичными, включая PyPI и PyTorch). Почему это важно: - Следует философии Astral: поддержка open-source, без превращения инструментов в конкурирующие SaaS-продукты. - Первый шаг к вертикальной интеграции с существующими open-source инструментами. - Уже в бета-версии с ранними партнёрами — Ramp, Intercom и fal. Впечатление: pyx выглядит как обдуманный, open-source-ориентированный подход к packaging infrastructure, который может сделать разработку Python-экосистемы быстрее и мощнее. https://simonwillison.net/2025/Aug/13/pyx/#atom-tag

Про Python вышло документальное КИНО Ваш ждёт целая драма — как Python создавался в качестве хобби, едва не исчез, но все-таки взлетел и стал одним из ведущих ЯП. В фильме появляется сам Гвидо ван Россум, а также создатель NumPy, и другие топы коммьюнити. Смотрим

🔥 Совет по Python: неожиданное поведение с изменяемыми аргументами по умолчанию Если в функции задать аргумент по умолчанию как list или dict, то этот объект создаётся один раз — при определении функции. Из-за этого все вызовы будут делить один и тот же объект, что часто приводит к багам. Правильный способ — использовать `None` и создавать новый объект внутри функции.

def bad_append(x, data=[]):
    data.append(x)
    return data

print(bad_append(1))    # [1]
print(bad_append(2))    # [1, 2]  <-- неожиданно!


def good_append(x, data=None):
    if data is None:
        data = []
    data.append(x)
    return data

print(good_append(1))   # [1]
print(good_append(2))   # [2]

Используйте этот приём, чтобы не попасться на скрытые баги с аргументами по умолчанию.

📝 PDF-Extract-Kit — библиотека для извлечения данных из PDF-файлов с поддержкой сложных документов с помощью моделей компьютерного зрения! 🔍 Основные особенности: 🌟 Точное извлечение текста и таблиц из структурированных и неструктурированных PDF, включая многостраничные таблицы и иерархические блоки! 🌟 OCR-интеграция, позволяющая обрабатывать PDF-документы с отсканированными изображениями! 🌟 Гибкий API на Python, что делает его удобным для анализа и интеграции в приложения! 🔐 Лицензия: AGPL-3.0 🖥 Github @machinelearning_ru

🐍 Полезные фишки парсинга в Python 1️⃣ Парсинг JSON без лишних усилий

import json

data = '{"name": "Alice", "age": 25}'
parsed = json.loads(data)
print(parsed["name"])  # Alice

2️⃣ HTML/XML-парсинг с BeautifulSoup

from bs4 import BeautifulSoup

html = "<h1>Hello <b>Python</b></h1>"
soup = BeautifulSoup(html, "html.parser")
print(soup.h1.text)  # Hello Python

3️⃣ Парсинг аргументов командной строки с argparse

import argparse

parser = argparse.ArgumentParser()
parser.add_argument("--name")
args = parser.parse_args()
print(f"Hello, {args.name}")

4️⃣ Быстрый CSV-парсинг

import csv

with open("data.csv") as f:
    reader = csv.DictReader(f)
    for row in reader:
        print(row["username"], row["score"])

5️⃣ Регулярки для гибкого текста

import re

text = "Email: test@example.com"
match = re.search(r"\w+@\w+\.\w+", text)
print(match.group())  # test@example.com

🔥 Эти трюки помогают парсить JSON, HTML, CSV, аргументы CLI и даже “грязный” текст. Подойдут как для скриптов, так и для продакшн-кода. 👉 Сохрани, чтобы не забыть!

📄🚀 Удобный просмотр кода с rendergit С помощью rendergit вы можете легко преобразовать любой репозиторий GitHub в статическую HTML-страницу с подсветкой синтаксиса и навигацией. Идеально подходит для быстрого просмотра, анализа кода и удобного поиска. 🚀Основные моменты: - Два режима просмотра: Человеческий и LLM - Подсветка синтаксиса и рендеринг Markdown - Умное фильтрование больших файлов - Адаптивный дизайн для мобильных устройств - Удобная навигация по файлам 📌 GitHub: https://github.com/karpathy/rendergit #python

🚀 Tencent Hunyuan только что выкатили AutoCodeBench — мощный open-source инструмент для проверки способностей ИИ в генерации кода. Что внутри? 🔹 AutoCodeGen — генерация многоязычных датасетов кода без ручной разметки 🔹 AutoCodeBench — почти 4 000 сложных задач на 20 языках программирования (версии Full / Lite / Complete) 🔹 MultiLanguageSandbox — песочница для работы с поддержкой 30+ языков C AutoCodeBench можно быстро тестировать LLM в кодинге, сравнивать модели и даже создавать свои бенчмарки. 🟠Статья: arxiv.org/abs/2508.09101 🟠Код: github.com/Tencent-Hunyuan/AutoCodeBenchmark 🟠Датасет: huggingface.co/datasets/tencent/AutoCodeBenchmark @ai_machinelearning_big_data #AutoCodeBench #AI #coding

🐍 Полезный совет по Python: используйте "".join() вместо конкатенации строк в цикле Многие новички пишут так:

words = ["Python", "очень", "крут"]
result = ""
for w in words:
    result += w + " "
print(result)

Код рабочий, но неэффективный: при каждой конкатенации создаётся новая строка, что сильно замедляет работу на больших объёмах данных. 🚀 Правильный способ — использовать " ".join():

words = ["Python", "очень", "крут"]
result = " ".join(words)
print(result)

💡 Преимущества: - Быстрее и эффективнее на больших списках - Код чище и короче -Можно легко задавать разделитель (пробел, запятая, \n) 📊 Пример:

lines = ["строка 1", "строка 2", "строка 3"]
text = "\n".join(lines)
print(text)

Вывод:

строка 1
строка 2
строка 3

📌 Итог Используйте "".join() для объединения строк из списка — это питонично, быстро и удобно.

⚡️ DINOv3 - новое семейство фундаментальных моделей для компьютерного зрения, обученных методом SSL. Ключевой особенностью стал прорыв в обучении без размеченных вручную данных: система, натренированная на 1.7 миллиардах изображений, достигает SOTA-производительности. Backbone DINOv3 превосходит специализированные модели в широком спектре задач, от классификации до сегментации, без необходимости дополнительного дообучения. Модели разных размеров, включая флагманскую версию на 7 миллиардов параметров, уже доступны на Hugging Face под коммерческой лицензией. github.com