Python/ django
Ir al canal en Telegram
по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Mostrar más
Red:📈 Análisis del canal de Telegram Python/ django
El canal Python/ django (@pythonl) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 59 363 suscriptores, ocupando la posición 2 223 en la categoría Tecnologías y Aplicaciones y el puesto 10 268 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 59 363 suscriptores.
Según los últimos datos del 13 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -616, y en las últimas 24 horas de -24, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.34%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.40% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 3 762 visualizaciones. En el primer día suele acumular 2 020 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 18.
- Intereses temáticos: El contenido se centra en temas clave como github, claude, контекст, архитектура, api.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“по всем вопросам @haarrp
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fmxm...”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 14 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
59 363
Suscriptores
-2424 horas
-1557 días
-61630 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
julio '26
julio '26
+41
en 2 canales
junio '26
+66
en 1 canales
Get PRO
mayo '26
+73
en 1 canales
Get PRO
abril '26
+107
en 8 canales
Get PRO
marzo '26
+204
en 25 canales
Get PRO
febrero '26
+363
en 50 canales
Get PRO
enero '26
+982
en 111 canales
Get PRO
diciembre '25
+208
en 7 canales
Get PRO
noviembre '25
+486
en 46 canales
Get PRO
octubre '25
+117
en 22 canales
Get PRO
septiembre '25
+3 917
en 181 canales
Get PRO
agosto '25
+924
en 18 canales
Get PRO
julio '25
+1 812
en 85 canales
Get PRO
junio '25
+1 488
en 93 canales
Get PRO
mayo '25
+249
en 7 canales
Get PRO
abril '25
+417
en 31 canales
Get PRO
marzo '25
+287
en 14 canales
Get PRO
febrero '25
+527
en 45 canales
Get PRO
enero '25
+2 105
en 56 canales
Get PRO
diciembre '24
+1 168
en 70 canales
Get PRO
noviembre '24
+3 786
en 192 canales
Get PRO
octubre '24
+5 728
en 78 canales
Get PRO
septiembre '24
+2 068
en 207 canales
Get PRO
agosto '24
+1 164
en 43 canales
Get PRO
julio '24
+1 632
en 53 canales
Get PRO
junio '24
+1 751
en 58 canales
Get PRO
mayo '24
+1 467
en 39 canales
Get PRO
abril '24
+1 067
en 47 canales
Get PRO
marzo '24
+1 190
en 28 canales
Get PRO
febrero '24
+1 611
en 8 canales
Get PRO
enero '24
+1 605
en 49 canales
Get PRO
diciembre '23
+802
en 46 canales
Get PRO
noviembre '23
+4 375
en 51 canales
Get PRO
octubre '23
+1 184
en 6 canales
Get PRO
septiembre '23
+1 766
en 0 canales
Get PRO
agosto '23
+2 630
en 1 canales
Get PRO
julio '23
+1 617
en 0 canales
Get PRO
junio '23
+1 711
en 0 canales
Get PRO
mayo '23
+988
en 0 canales
Get PRO
abril '23
+455
en 0 canales
Get PRO
marzo '23
+779
en 0 canales
Get PRO
febrero '23
+692
en 0 canales
Get PRO
enero '23
+603
en 0 canales
Get PRO
diciembre '22
+555
en 0 canales
Get PRO
noviembre '22
+610
en 0 canales
Get PRO
octubre '22
+606
en 0 canales
Get PRO
septiembre '22
+704
en 0 canales
Get PRO
agosto '22
+607
en 0 canales
Get PRO
julio '22
+618
en 0 canales
Get PRO
junio '22
+670
en 0 canales
Get PRO
mayo '22
+909
en 0 canales
Get PRO
abril '22
+941
en 0 canales
Get PRO
marzo '22
+1 284
en 0 canales
Get PRO
febrero '22
+1 131
en 0 canales
Get PRO
enero '22
+680
en 0 canales
Get PRO
diciembre '21
+589
en 0 canales
Get PRO
noviembre '21
+594
en 0 canales
Get PRO
octubre '21
+590
en 0 canales
Get PRO
septiembre '21
+565
en 0 canales
Get PRO
agosto '21
+603
en 0 canales
Get PRO
julio '21
+640
en 0 canales
Get PRO
junio '21
+604
en 0 canales
Get PRO
mayo '21
+557
en 0 canales
Get PRO
abril '21
+993
en 0 canales
Get PRO
marzo '21
+545
en 0 canales
Get PRO
febrero '21
+668
en 0 canales
Get PRO
enero '21
+826
en 0 canales
Get PRO
diciembre '20
+11 844
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 14 julio | +3 | |||
| 13 julio | +5 | |||
| 12 julio | +2 | |||
| 11 julio | 0 | |||
| 10 julio | +5 | |||
| 09 julio | 0 | |||
| 08 julio | +8 | |||
| 07 julio | +5 | |||
| 06 julio | +4 | |||
| 05 julio | +2 | |||
| 04 julio | 0 | |||
| 03 julio | +4 | |||
| 02 julio | +3 | |||
| 01 julio | 0 |
Publicaciones del Canal
⚡️ OpenChronicle - локальная память для AI-агентов
Одна из главных проблем AI-агентов: они быстро теряют контекст.
Сегодня вы обсуждали проект, архитектуру, людей, решения и инструменты. Завтра агент снова спрашивает: «А что мы делаем?»
OpenChronicle пытается закрыть эту дыру.
Он запускается на Mac, смотрит на рабочий контекст и превращает его в постоянную Markdown-память:
* проекты
* решения
* инструменты
* людей
* последние действия
* важные рабочие детали
Память хранится локально, её можно открыть и прочитать руками. Под капотом - Markdown на диске и SQLite.
https://github.com/Einsia/OpenChronicle
| 2 |  Агенты прокачивают друг друга
UCSB-AI выложили GEA, фреймворк для open-ended self-improvement агентов через обмен опытом.
Идея простая, но мощная: улучшать не одного агента в вакууме, а целую группу агентов как одну эволюционирующую систему.
Один агент нашёл удачный паттерн, другой переиспользовал его, третий доработал, группа стала сильнее.
Это похоже на переход от «один AI сам себя улучшает» к «популяция агентов накапливает коллективный опыт».
В репозитории есть код для запуска GEA, интеграция с SWE-bench и Polyglot, Docker-окружение, промпты и инструменты для foundation-моделей. Проект распространяется под Apache-2.0.
https://github.com/UCSB-AI/GEA | 2 344 |
| 3 |  GPT-5.6 Terra выглядит слабым выбором по соотношению интеллект / цена.
Судя по графику, Terra проигрывает почти на всей кривой эффективности.
То есть его трудно оправдать и по стоимости, и по производительности.
Luna и Sol стабильно выглядят сильнее:
* за те же деньги дают больше intelligence
* или дают похожий уровень intelligence дешевле
* на разных reasoning-режимах обходят Terra
Особенно выделяется Luna.
Она даёт конкурентный уровень качества за заметно меньшую цену, поэтому выглядит лучшим вариантом для задач, где важна эффективность.
Вывод простой: если нужен разумный default по цене и качеству, Luna сейчас выглядит сильнее Terra.
https://x.com/ArtificialAnlys/status/2075739292052463646 | 2 881 |
| 4 |  Hy3 уже упаковали под Apple Silicon, но это не обычный GGUF.
JANGQ-AI выложили Hy3-JANG_2K-MTP — квантованную версию Tencent Hy3 для MLX / JANG-рантаймов.
Что внутри:
• 295B параметров всего, около 21B активных на токен
• MoE-архитектура с 192 routed experts и top-8 маршрутизацией
• контекст до 262K токенов
• размер бандла около 98 GiB
• routed experts в среднем 2.33-bit
• сохранён MTP-head для speculative decoding
Главная фишка — это не просто «ужали модель». В бандле оставили native Multi-Token Prediction слой, чтобы совместимый рантайм мог использовать speculative decoding.
Но есть важный нюанс: stock mlx-lm и обычный transformers это напрямую не поднимут. Нужен Hy3-aware MLX/JANG runtime, который понимает JANG mixed-affine layout, GQA KV cache, MoE-роутинг, <think> reasoning stream и Hunyuan-style tool calls.
По ограничениям тоже честно: бенчмарков качества именно для этого пака пока нет, а ускорение от MTP не обещается как фиксированная цифра — оно зависит от acceptance rate и режима сэмплинга.
Короче, это интересный пак для тех, кто хочет гонять большой MoE на Apple Silicon и экспериментировать с MTP, но пока скорее для энтузиастов рантаймов, а не «скачал и запустил в любом UI».
HF: https://huggingface.co/JANGQ-AI/Hy3-JANG_2K-MTP | 2 546 |
| 5 |  Ты не твой стек
Зачем учиться новому, когда по самое колено в практике? Не страшно, что всё больше джунов работают наравне с сеньёрами?
Уже нельзя уметь только фреймворк, надо понимать что стоит за этим и в твоём опыте огромное преимущество, не хватает лишь малого - знаний об том как утроен мир и формула принятия решений.
Метафизика? Нет - математика.
Языки и фреймворки устаревают за 5–10 лет, стеки обновляются радикально. А способ мышления, которым ты пользуешься, чтобы разложить сложную задачу на части, остаётся с тобой навсегда.
Именно об этом курс: "Философия, математика и компьютерные науки"
Не про конкретный стек, а про то, как в принципе думать о сложных системах с опорой на философию, математику и системную инженерию.
Формат:
9 месяцев, 10 модулей, теория и практика, несколько очных сессий в Петербурге.
Кураторы:
- Андрей Родин — доктор философских наук, философ науки и математики
- Илья Егорычев — доктор философских наук, математик и логик, Soulmaths
- Вячеслав Шириков — системный архитектор, техдиректор ГК «Лартех»
До 21 июля действует скидка за раннюю регистрацию.
Программа и условия | 2 396 |
| 6 |  Хорошая памятка по Python-скриптам, которые не стыдно запускать не только у себя на ноутбуке.
Что советуют:
* зависимости можно указывать прямо в файле через inline metadata и запускать через uv run
* секреты не хардкодить, а брать из env, getpass или системного keyring
* print() оставить для пользователя, logging — для отладки
* env-переменные документировать в --help
* результат отдавать в stdout, ошибки и логи — в stderr
* поддерживать pipe через stdin
* завершаться нормальными exit code
* явно задавать приоритет конфигурации: CLI > env > config > default
Маленький скрипт тоже может быть удобным, безопасным и предсказуемым.
Особенно когда его через месяц запускает уже не автор, а кто-то другой.
https://www.bitecode.dev/p/scripting-good-practices-in-python | 3 010 |
| 7 |  🌟 General Intuition в коллабе с Epic Games сделали мультиплеерную модель мира
Институт General Intuition вместе с французской лабораторией Kyutai и Epic Games представил MIRA, генеративный симулятор, воспроизводящий матчи Rocket League в формате 2 на 2 в реальном времени.
На входе только история кадров и нажатия клавиш всех четырёх игроков: ни физического движка, ни рендер-движка, ни явных 3D-представлений в инференсе нет.
В отличие от Odyssey, где логика вычислений и рендеринг разведены, MIRA пошла по пути генеративной симуляции в латентном пространстве видео.
В основе - диффузионный трансформер на 5 млрд параметров и отдельный видеокодек-представление на 600 млн.
Вместо автоэнкодера кодек строится поверх замороженного DINOv3-L, и латентное пространство выходит настолько стабильным, что специальные приёмы против дрейфа не понадобились, модель работает из коробки на обычном diffusion forcing.
Экраны четырёх игроков MIRA сшивает в единую сетку латентов, чтобы механизмы пространственного внимания работали между ракурсами и держали машины, мяч и события согласованными на всех видах.
Механизм action dropout достраивает поведение машин, для которых команды не пришли, компенсируя пропуски в потоках действий.
Всего на обучение MIRA ушло около 10 тыс часов геймплея, целиком сгенерированных ботами.
🟡 Тесты
Латентный подход бьёт пиксельный на порядок: gFID 10.7 против 81–105 и ARR 0.91 против 0.49–0.61 (ARR измеряет, насколько отданные команды считываются обратно из генерации).
Ключ к стабильности именно в DINOv3-L, без него картинка дрейфует в 1.3–1.7 раза сильнее, а с ним gFID держится ровным вплоть до 5 минут, и на практике роллаут идёт часами без коллапса.
ARR, кстати, совпадает с оценками живых людей (корреляция Пирсона 0.84).
🟡Недостатки
Контекст модели около четырёх секунд, поэтому повторы голов она попросту досочиняет - выглядит правдоподобно, но не совпадает с тем, что было на самом деле.
Часы и счёт плывут на переходах, а за 40 минут игры набегает порядка 80 некомандных бустов и 30 прыжков.
Авторы опубликовали код обучения и инференса, а также сет Rocket Science из 1000 часов каток в 720p с потоками действий и физическими состояниями.
На одной NVIDIA B200 модель выдаёт 20 FPS при 576p в реальном времени. Потыкать в играбельное демо можно тут.
@ai_machinelearning_big_data
#news #ai #ml | 2 465 |
| 8 |  Марафон для тех, кто готов разрабатывать искусственный интеллект
Факультет компьютерных наук НИУ ВШЭ запускает онлайн-интенсив по подготовке к поступлению в онлайн-магистратуру «Искусственный интеллект». На программе обучают всем шагам из цикла разработки моделей и навыкам написания высоконагруженного кода для промышленной эксплуатации.
Присоединяйтесь, если хотите:
⚪️ Укрепить знания по высшей математике, Python и анализу данных
⚪️ Получить практическое понимание структуры экзамена и требований программы для поступающих
⚪️Быстро и эффективно подготовиться к вступительным испытаниям в одну из популярных магистратур ФКН НИУ ВШЭ
Интенсив проведут эксперты и преподаватели Высшей школы экономики.
📆 Когда: 28 июня — 20 июля, 18:30 (мск), но вы еще можете присоединиться
💻 Формат: онлайн и бесплатно, для участия и получения записей прошедших занятий нужно лишь зарегистрироваться до 20 июля
🐭 Зарегистрироваться | 2 475 |
| 9 |  📌 Anthropic предлагает делать самоуправляемые циклы
Команда Claude Code опубликовала в X руководство по loops. Это паттерны, в которых агент повторяет рабочий цикл, пока не сработает условие остановки.
Главная мысль: уходить от ручного режима, где разработчик задаёт направление на каждом шаге, и передавать агенту контроль по нарастающей.
Всего выделяют 4 типа циклов, различая их по способу запуска, условию остановки и степени автономии. Логически получается некая лестница делегирования, где на каждой ступени вы отдаёте агенту очередное полномочие.
🟡Агентный цикл запускается промптом и завершается, когда Claude считает задачу выполненной.
Здесь вы отдаёте агенту проверку. Ручные шаги верификации заполняются вSKILL.md и чем более количественные критерии, тем точнее агент оценивает собственную работу.
🟡 Целевой цикл /goal забирает у вас условие прерывания
Вы описываете, что значит готово, а дальше при каждой попытке Claude завершить работу отдельная модель-оценщик сверяет результат с вашим критерием (скажем, долей пройденных тестов) и возвращает агента к работе, пока цель не достигнута или не исчерпан заданный лимит попыток.
🟡Временной цикл /loop или /schedule берёт на себя триггер запуска.
Это удобно для повторяющейся рутины и при работе с внешними системами (например, дайджест по таскам, реакция на новое ревью или упавший CI).
🟡Проактивный цикл убирает человека из контура.
Рутина срабатывает по событию или расписанию и живёт, пока вы её не выключите. В связке с динамическими воркфлоу агенту передаётся уже сам промпт. Вот этот сценарий уже ближе всего к полной автоматизации.
🟡Дополнительные советы
Не каждая задача требует сложного цикла, начинать стоит с простейшего решения.
Кодовую базу следует держать чистой, а для ревью подключать второй агент. Для этого есть встроенный /code-review.
Контролировать расход токенов чёткими границами: точные условия остановки, подбор модели под задачу (рутину - на модели поменьше и побыстрее, решения с ризонингом - на самой мощной).
Динамические воркфлоу способны породить сотни агентов, так что масштаб лучше проверять на небольшой выборке.
@ai_machinelearning_big_data
#news #ai #ml | 2 062 |
| 10 |  🔍Тестовое собеседование на Middle Python с разработчиком из Авито сегодня
Уже сегодня 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. | 2 439 |
| 11 |  ✔️ DeepSeek-V4 теперь можно запускать локально через GGUF от Unsloth.
DeepSeek-V4-Flash в lossless-версии запускается на 168 ГБ RAM.
3-битная версия работает на Mac и сетапах с RAM/VRAM примерно от 110 ГБ.
Unsloth также улучшили chat template, чтобы модель корректнее работала в диалоговом формате.
Запускать можно через Unsloth Studio или llama.cpp.
Гайд: unsloth.ai/docs/models/deepseek-v4
GGUF: huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF | 2 583 |
| 12 |  Вы никогда не увидете меня в бою вот так 👆
Ведь я стал профи с курсами Академии Selectel
Эксперты собрали более 30 бесплатных курсов для тех, кто только начинает или уже уверенно пишет код на языке программирования Python. На одном из них вы освоите:
🔸 набор инструментов и расширений, которые ускоряют создание кода;
🔸 работу с библиотеками, чтобы создавать приложения с графическим интерфейсом;
🔸 основы сбора аналитики с веб-страниц.
Эксперты регулярно делятся полезными материалами, новостями и задачами в канале Академии Selectel. Подпишитесь: https://t.me/+m_KTaiXIfwU1MDYy
Реклама. АО "Селектел". erid:2W5zFFz5S7s | 2 780 |
| 13 |  ✔️ Data-Juicer: пайплайн для подготовки данных под foundation models
Alibaba и сообщество Data-Juicer развивают open-source систему для обработки датасетов перед обучением, дообучением и RAG.
Data-Juicer помогает чистить, фильтровать, дедуплицировать, синтезировать и анализировать данные. Работает не только с текстом, но и с мультимодальными датасетами: изображениями, аудио и видео. В версии 2.0 заявлено больше 100 операторов для разных модальностей.
Практический сценарий понятный: есть сырой корпус из разных источников, где много дублей, мусора, слабых примеров и перекоса по доменам. Data-Juicer позволяет собрать воспроизводимый data recipe, прогнать его на локальной машине или в распределённом режиме и потом оценить, как изменения в данных влияют на модель.
Проект смотрит на данные как на отдельный слой оптимизации. Позволяет настроить качество, смесь, фильтры и пайплайн обработки. В ранней работе авторы показывали прирост до 7.45% по среднему score на 16 LLM-бенчмарках и 17.5% win rate в GPT-4 pairwise evaluation за счёт data recipes.
https://github.com/datajuicer/data-juicer | 3 136 |
| 14 |  🔥 Интенсив Путь в ИБ: деньги, карьера, реальность стартует УЖЕ СЕГОДНЯ!
📗Сохраняйте расписание:
🗓 7 ИЮЛЯ | День 1
🎙 Спикер: Лев — Инфраструктурный пентест. Эксперт по пентесту, Active Directory и безопасности Windows-сред. Работает с атаками на корпоративные сети и покажет, как новичку зайти в специализацию, где ценится понимание инфраструктуры.
🟢Тема: AD И ПЕНТЕСТ: СПЕЦИАЛИЗАЦИЯ, ЗА КОТОРУЮ ПЛАТЯТ
🟦Практическая сторона безопасности: как проверяют корпоративные сети, находят слабые места и превращают этот навык в высокооплачиваемую профессию.
🟦Что такое AD и почему без него не понять корпоративную безопасность
🟦Как атакующий двигается по сети и ищет слабые места
🟦Что нужно новичку на старте: сети, Windows и базовый код
🟦Почему компании платят за умение решать реальные задачи
🗓 8 ИЮЛЯ | День 2
🎙 Спикер: Гамид — Навигатор по кибербезу. DevSecOps-специалист, работает на стыке разработки, инфраструктуры и безопасности: знает, как устроены реальные ИБ-процессы в компаниях, какие специалисты нужны рынку и как не запутаться на старте обучения.
🟪Тема: КАРТА КИБЕРБЕЗОПАСНОСТИ: КУДА ИДТИ, ГДЕ ДЕНЬГИ И КАК НАЧАТЬ
🟦Раскладываем сферу ИБ по полочкам: какие направления есть, чем они отличаются, сколько можно зарабатывать и какой первый шаг выбрать.
🟦Как устроена кибербезопасность изнутри и зачем она бизнесу
🟦Пентест, SOC, работа этичных хакеров и защита инфраструктуры
🟦AppSec и DevSecOps: почему это отдельное направление с высоким спросом
🟦Как выбрать свой путь в ИБ и сделать первый шаг
🗓 9 ИЮЛЯ | День 3
🎙 Спикер: Евгений Ивченков — Эксперт по киберразведке, анонимности и безопасности с AI-инструментами. Сейчас cyber security researcher. В прошлом соавтор курса «Анонимность и безопасность 1.0» в CyberYozh.
🟡Тема: AI-АГЕНТ В ВАШЕЙ СИСТЕМЕ: КТО РЕАЛЬНО КОМАНДУЕТ
🟦Разбираем, почему ChatGPT, AI-агенты и другие ИИ-инструменты могут быть не только помощниками, но и источником риска.
🟦Как ИИ уже используют в кибербезопасности
🟦Чем AI-агенты отличаются от обычного чата с нейросетью
🟦Что такое обман ИИ простыми словами и зачем это знать новичку
🟦Как правильно применять нейросети для обучения и работы
⏰ Старт первого эфира уже сегодня. Все закрытые разборы, материалы и бонусы получат только зарегистрированные участники.
▶️ УЗНАТЬ БОЛЬШЕ
🦔 CyberYozh | 3 089 |
| 15 |  Забавная игрушка на ночь: GitHub-профиль теперь можно превратить в карточку в стиле FIFA.
GitFut прогоняет аккаунт по метрикам вроде коммитов, звёзд, репозиториев, подписчиков и активности, а потом собирает карточку с рейтингом от 0 до 99.
Идеально, чтобы внезапно узнать, ты GitHub-легенда или бронзовый запасной с одним pet-проектом.
https://gitfut.com/ | 3 642 |
| 16 |  The Easiest Way to Scrape the Web
Инструмент, который Имитирует браузеры для скрейпинга и парсит HTML в Markdown.
Незаметный web-scraping и удобный HTML-парсинг в Python.
https://github.com/jpjacobpadilla/Stealth-Requests | 3 871 |
| 17 |  ✔️ DeepSeek OCR локально на RTX 3090
Проект даёт полноценный OCR и умную обработку документов прямо у себя на машине через DeepSeek-OCR.
Что внутри:
загрузка изображений и многостраничных PDF
точное распознавание текста + структурирование
экспорт в Markdown / HTML / DOCX / JSON
извлечение изображений и сохранение формул
удобный интерфейс (React) + API (FastAPI)
готов к запуску в Docker
Подходит, когда нужно превратить сканы в редактируемые и поисковые документы без облака.
GitHub: http://github.com/rdumasia303/deepseek_ocr_app | 4 557 |
| 18 |  Wagtail как Django admin на стероидах
Хороший разбор для Django-разработчиков: Wagtail можно использовать не только как CMS, но и как более удобную админку для обычных Django-моделей.
Смысл простой: Django admin быстро даёт UI вокруг моделей, но кастомизация часто превращается в боль. Wagtail даёт более современный интерфейс, нормальную работу с полями, группировку через panels, роли, permissions, rich text, media library, versioning и редакторские workflow.
При этом не нужно переписывать проект под CMS-логику. Wagtail ставится как обычный Django-пакет, добавляется в INSTALLED_APPS, подключается в urls.py, а бизнес-логика, views, forms и templates остаются обычными Django.
Самый практичный случай использования : взять существующий admin.py, перенести модели в Wagtail snippets и постепенно заменить старую админку там, где нужен интерфейс, который не стыдно показать клиенту.
Для внутренних тулзов, CRM, backoffice и контентных разделов это может быть намного приятнее, чем бесконечно допиливать стандартный Django admin.
https://timonweb.com/wagtail/wagtail-as-django-admin-on-steroids/ | 4 409 |
| 19 |  🖥 «Git Pro: от первого коммита до уровня senior» — на Stepik
Пятница, 17:58.
Вы пишете git push --force. И понимаете, что были не в той ветке.
Дальше два сценария. Первый: холодный пот, звонок тимлиду, испорченные выходные. Второй: git reflog, две команды, всё на месте, идёте домой.
Разница между этими сценариями - этот курс.
Git изнутри. Rebase без страха. Конфликты по алгоритму. Pull Request, code review, защита веток, CI/CD. Три модели ветвления - выберете свою.
Скидка 58%, 48 часов: https://stepik.org/course/284799/ | 3 889 |
| 20 |  Array API + JIT: как ускорять scientific Python без CUDA C
Quansight разобрали важную проблему: Array API помогает писать код под разные array-бэкенды, но в SciPy и похожих библиотеках много compiled-кода, который сложнее переносить на GPU и multicore CPU.
Авторы предлагают использовать Array API + JIT/AOT-компиляцию как альтернативу ручным специализированным kernels.
На примере SciPy RBF interpolator авторы показывают, что такой подход может дать серьёзный прирост производительности на CUDA без написания CUDA C-кода.
Scientific Python постепенно уходит от модели «пишем отдельную реализацию под каждое железо» к более удобному стеку, где один код может работать быстрее на разных backend’ах.
https://labs.quansight.org/blog/array-api-aot-jit
@pythonl | 4 118 |
