¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
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📈 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 60 121 suscriptores, ocupando la posición 2 198 en la categoría Tecnologías y Aplicaciones y el puesto 10 224 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 60 121 suscriptores.
Según los últimos datos del 03 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -594, y en las últimas 24 horas de -32, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.82%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.59% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 102 visualizaciones. En el primer día suele acumular 2 157 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 16.
- 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 04 junio, 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.
60 121
Suscriptores
-3224 horas
-1237 días
-59430 días
Archivo de publicaciones
60 121
🤖 LingBot-VLA - это прогрессивная модель, объединяющая визуальные, языковые и действия для роботов.
Она обучена на 20,000 часов реальных данных и демонстрирует высокую эффективность и производительность в симуляциях и реальных задачах.
🚀 Основные моменты:
- Обширные данные для предобучения
- Превосходные результаты по сравнению с конкурентами
- Увеличенная скорость обучения на 1.5-2.8x
📌 GitHub: https://github.com/Robbyant/lingbot-vla
#python
60 121
⚡️«Ollama для клонирования голоса».
Voicebox позволяет клонировать любой голос по нескольким секундам аудио и запускать всё полностью локально.
• Без подписок.
• Без облака.
• Без передачи голосовых данных на серверы.
В основе - Qwen3-TTS, одна из самых продвинутых моделей синтеза речи от Alibaba.
Как это работает
→ Загружаешь несколько секунд голоса
→ Получаешь почти точную копию
→ Генерируешь речь на любом языке
→ Можешь смешивать несколько голосов в редакторе, как в DAW
Это полноценная студия для работы с голосом:
→ Многодорожечный таймлайн для подкастов и диалогов
→ Запись системного звука + встроенная транскрипция через Whisper
→ Кэширование голосовых промптов для мгновенной генерации
→ Написан на Tauri (Rust) — в 10 раз легче Electron и с нативной производительностью
Полностью open-source.
Лицензия MIT.
GitHub: https://github.com/jamiepine/voicebox
60 121
🔴 Реальный собес на Python от ТехЛида с опытом работы в Авито и Яндексе в прямом эфире
17 февраля(уже завтра!) 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.
60 121
⚡️ Вышел FireRed-Image-Edit-1.0 - новая SOTA для редактирования изображений.
И самое интересное - это open-source и готово к локальному запуску.
Что умеет модель:
- Обгоняет закрытые решения
(лучше Nano-Banana и Seedream 4.0 на бенчмарке GEdit)
- Построена с нуля на базе Text-to-Image, а не как надстройка поверх старых моделей
- Рекорд по стилевому переносу — 4.97 / 5.0
- Аккуратно сохраняет оригинальные шрифты и текст
- Поддерживает multi-image редактирование
(например, виртуальная примерка одежды)
- Понимает промпты на английском и китайском
- Лицензия Apache 2.0
- Можно запускать локально
- Подходит для продакшена и коммерческих проектов
▪Модель: https://modelscope.cn/models/FireRedTeam/FireRed-Image-Edit-1.0
▪Демо: https://modelscope.cn/studios/FireRedTeam/FireRed-Image-Edit-1.0
▪GitHub: https://github.com/FireRedTeam/FireRed-Image-Edit
@pythonl
60 121
LuxTTS - очень быстрый и компактный TTS с клонированием голоса
Модель со ставкой на скорость + реализм, при этом она остается лёгкой и доступной по ресурсам.
Главные фишки:
- ⚡ До 150× realtime при генерации речи
- 🎙️ Хорошая передача эмоций и естественности
- 🧬 Качественное voice cloning
- 💾 Влезает примерно в 1 ГБ VRAM
- 🖥️ Работает и на CPU - 2–6× realtime
Подходит для:
- голосовых ассистентов
- озвучки приложений
- быстрых прототипов без тяжёлой инфраструктуры
- LuxTTS работает как мульти-язычная TTS-модель, и русский входит в список языков.
Repo: https://github.com/ysharma3501/LuxTTS
Модель: https://huggingface.co/YatharthS/LuxTTS
@pythonl
60 121
ROBOPARTY/roboto_origin - полностью open-source DIY гуманоидный робот 🤖
Это репозиторий с исходниками для открытого человекоподобного робота ROBOTO_ORIGIN от команды RoboParty.
Вся разработка - механика, электроника, софт и обучение - выложена публично, чтобы любой мог собрать и доработать своего робота.
Главная идея
• Полноценный open-source гуманоид для R&D, обучения и экспериментов
• Возможность собрать робота из доступных компонентов по открытым материалам
• В одном месте: код, описания, симуляции и среда для разработки
Что есть в репозитории
• modules/ — модули с кодом и описаниями для железа, ROS2 и управления
• Подпроекты для:
- механики и электроники
- ROS2-драйверов и middleware
- симуляции и обучающих сред
- URDF-моделей и кинематики
Особенности
• Открытая архитектура, можно расширять и модифицировать под свои задачи
• Поддержка ROS2 и симуляции для тестирования и обучения
• Фокус на доступности, проект ориентирован на сборку из массовых компонентов
По сути это полный open-source стек для создания собственного гуманоидного робота - от «железа» до софта и симуляции.
https://github.com/Roboparty/roboto_origin
📲Max
@pythonl
60 121
✉️ Вам приглашение на 35-летний юбилей Python 🐍🎉
Python уже совсем взрослый — и мы отмечаем это уютной конференцией вместе с комьюнити: докладами, интерактивами и праздничной атмосферой.
📍 Встречаемся в пятницу, 20 февраля, в 15:30 — в московском офисе Сбера и онлайн.
В программе:
🔹 Доклады от топовых спикеров — обсудим будущее Python, ИИ в кодинге, мутационное тестирование и многое другое.
🔸 Интерактивные зоны и праздничная атмосфера — кодинг-активности, нетворкинг и, конечно, торт 🎂
Проведём этот день вместе — в офисе или онлайн.
Ждём вас 20 февраля в 15:30!
Регистрация по ссылке. 👈
60 121
🦀 Crabwalk: Мониторинг AI-агентов в реальном времени
Crabwalk — это инструмент для наблюдения за работой AI-агентов на платформах WhatsApp, Telegram, Discord и Slack. Он визуализирует сессии агентов в виде графа, позволяя отслеживать их действия и состояния в реальном времени.
🚀Основные моменты:
- Живой граф активности с визуализацией сессий
- Поддержка нескольких платформ одновременно
- Реальное время через WebSocket
- Отслеживание действий и параметров инструментов
- Фильтрация сессий по платформе и получателю
📌 GitHub: https://github.com/luccast/crabwalk
60 121
⚡️ Появился любопытный open-source проект на стыке LLM и кибербезопасности - PentestAgent.
Это система AI-агентов для black-box пентеста, где атака моделируется как оркестрация нескольких специализированных агентов, а не один «умный бот».
Что он делает
В автономном режиме система может прогонять целые пайплайны, имитируя работу red team:
- цепочки разведки (recon)
- анализ уязвимостей
- попытки эксплуатации
- формирование отчётов
Инструменты подключены напрямую
Агенты умеют работать с классическими пентест-утилитами:
- Nmap
- Metasploit
- FFUF
- SQLMap
То есть это не «LLM рассуждает в вакууме», а связка LLM + реальные security-инструменты.
Архитектурные фишки
- RAG для подтягивания контекстных знаний
- tool chaining — агенты передают результаты друг другу
- встроенный браузер и поиск
- dockerized окружение с инструментами
- всё это оркестрируется «командами» LLM-агентов
По сути, это попытка превратить пентест из набора ручных шагов в агентную систему с автоматическим циклом разведка → анализ → действие → отчёт.
github.com/GH05TCREW/pentestagent
60 121
Это репозиторий с реализацией DensePose через Wi-Fi-сигналы — то есть попытка получать плотные представления (DensePose) тела людей на основе Wi-Fi-данных, а не обычной камеры.
Такая идея может использоваться для анализа движения через радиосигналы в помещении, без видео-камер, с акцентом на приватность.
Если тебе интересны нестандартные подходы к компьютерному зрению, беспроводным сигналам и сенсорике без камер — обязательно посмотри.
🔗 Есть интересный проект: https://github.com/ruvnet/wifi-densepose
@pythonl
60 121
📢 Production Python Engineer (Refactor/Architecture) антифрод‑пайплайн.
Мы разрабатываем сложную систему анализа сетевых аномалий. У нас мощный R&D: мы умеем детектировать ботов, VPN и прокси по сетевым отпечаткам.
Текущая задача: У нас есть работающий код (написанный исследователями), который нужно превратить в надежный инженерный продукт. Нам нужен человек, который наведет порядок, внедрит архитектуру и типизацию.
### Задачи:
1. Глубокий рефакторинг и стабилизация: Перевод с неструктурированных
словарей на строгие контракты данных (Pydantic/TypedDict).
2. Архитектура: Внедрение паттерна Pipeline с единым контекстом обработки (Парсинг → Обогащение → Детекция → Ответ). Цель — сделать логику прозрачной и модульной.
3. Оптимизация работы с БД: Ревизия взаимодействия с PostgreSQL (оптимизация структур, миграции).
4. Культура разработки: Внедрение: mypy, pytest, чистотой Git-истории.
### Наши ожидания:
- Python Strong: Глубокое понимание языка, ООП, паттернов проектирования. Ваш код, легко читать и поддерживать.
- Strict Typing: Частое использование аннотаций. Опыт работы с Pydantic (валидация данных на входе/выходе/внутри) и статическими анализаторами (mypy/ruff).
- Architecture: Умение проектировать модульные системы. Понимание, как разделить бизнес-логику и инфраструктурный слой.
- AsyncIO & PostgreSQL: Опыт работы с асинхронностью и сложными SQL-запросами. Понимание транзакций и индексов.
- Testing: Опыт написания тестов (pytest) не «для галочки», а для гарантии надежности при рефакторинге.
- Git Culture: Умение работать с Git «чисто»: атомарные коммиты, понятные PR, интерактивный rebase.
### Soft skills:
- Устойчивость к рутине: Рефакторинг. Готовность методично распутывать клубок легаси-кода.
- «Инженерная эмпатия»: Способность прочитать чужой код (даже если он плохой), понять логику автора и переписать её правильно, не сломав бизнес-логику.
- Внимательность к деталям.
- Здоровый перфекционизм: Желание привести хаос к порядку.
### Будет большим плюсом:
- Глубокое понимание сетевых протоколов (TCP/IP, TLS, HTTP/2).
- Rule-based scoring, анализ “плавающей логики”.
- Опыт переноса Research-кода (Jupyter Notebooks) в Production.
### Условия
- Удаленка - любое ГЕО, не требуется присутствие в офисе.
- Зарплата От 120 - 250 тыс. руб. на руки (возможна оплата в USDT), выплата - два раза в месяц.
- in-house продукт, в котором вы свободны и можете реализовать свои идеи.
- Доступ к самым передовым LLM (Sonnet 4.5, GPT-5.2).
- Дружный коллектив. Который ценит качество кода.
### Как откликнутся:
Заполнить форму https://forms.gle/5tVNBxsJ22b8NKCc8 , приложить свой гитхаб, рассказать о себе и своём опыте.60 121
🔍 Исследуй связи с Эпштейном
EpsteIn позволяет искать упоминания ваших контактов из LinkedIn в открытых судебных документах Эпштейна. Просто загрузите файл с вашими связями и получите отчет в формате HTML о найденных совпадениях.
🚀 Основные моменты:
- Поиск по судебным документам Эпштейна
- Генерация отчетов в HTML
- Упоминания сортируются по количеству
- Поддержка точного совпадения имен
📌 GitHub: https://github.com/cfinke/EpsteIn
#python
60 121
🛠️ Трекер токенов для LLM CLI инструментов
Sherlock предоставляет живую панель мониторинга для отслеживания использования токенов в LLM CLI инструментах. Вы можете в реальном времени видеть, сколько токенов вы используете, а также сохранять все запросы для последующего анализа.
🚀 Основные моменты:
- Отслеживание использования токенов в реальном времени
- Визуализация контекстных окон с индикатором
- Автоматическое сохранение запросов в формате Markdown и JSON
- Никакой конфигурации — просто установите и используйте
📌 GitHub: https://github.com/jmuncor/sherlock
#python
📲Max
60 121
🖥 Если ищете идеи и готовые решения для LLM-проектов — есть полезный репозиторий.
awesome-llm-apps - это коллекция production-готовых AI-приложений, которые можно запустить уже сегодня.
Что внутри:
→ Нужен RAG? Есть готовый код
→ Нужны AI-агенты? Есть примеры
→ Нужны multimodal-приложения? Тоже есть
→ Хотите собрать AI-SaaS? Базовая архитектура уже реализована
Главное отличие — здесь нет:
- учебных Hello World
- игрушечных демо
- упрощённых примеров
Только реальные приложения:
- с архитектурой
- интеграциями
- рабочей логикой
- которые можно доработать и задеплоить
Хороший вариант, если:
- не знаете, что строить на LLM в 2026
- хотите быстрее собрать MVP
- ищете референсы production-подходов
100% бесплатно
100% Open Source
Repo: https://github.com/Shubhamsaboo/awesome-llm-apps
@pythonl
60 121
🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇
🖥 ИИ: t.me/ai_machinelearning_big_data
🖥 Python: t.me/pythonl
🖥 Linux: t.me/linuxacademiya
🖥 C++ t.me/cpluspluc
🖥 Docker: t.me/DevopsDocker
🖥 Хакинг: t.me/linuxkalii
🖥 Devops: t.me/DevOPSitsec
👣 Golang: t.me/Golang_google
🖥 Аналитика: t.me/data_analysis_ml
🖥 Javascript: t.me/javascriptv
🖥 C#: t.me/csharp_ci
🖥 Java: t.me/javatg
🖥 Базы данных: t.me/sqlhub
👣 Rust: t.me/rust_code
🤖 Технологии: t.me/vistehno
💰 Экономика и инвестиции в ИИ t.me/financeStable
💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi
🖥 Chatgpt бот в тг: t.me/Chatgpturbobot
📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy
🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi
⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy
Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.
60 121
⚡️ Экосистема AI-агентов превратилась в настоящий джунгли.
Чем больше появляется фреймворков, тем сложнее их настраивать, дебажить и просто понимать, что происходит внутри. Поэтому особенно ценны инструменты, которые возвращают всё к простоте.
KISS Multi-Agent Evolutionary Framework 0 небольшой Python-фреймворк, который следует принципу: *Keep It Simple, Stupid*.
Что в нём интересного:
- Почти никакой магии - обычный Python и один
run()
- Обычная функция с type hints автоматически становится tool через нативный function calling модели
- Без декораторов, лишних аннотаций и glue-кода
- Код читается и отлаживается как обычный Python
Агент работает по циклу ReAct:
думает → вызывает инструмент → анализирует результат → повторяет, пока не достигнет цели.
Нужно несколько агентов?
Всё просто: вызываете их последовательно в Python.
researcher → writer → editor
Можно использовать разные модели и строить пайплайны без сложной оркестрации.
Фреймворк также сохраняет trajectory-лог:
- шаги агента
- использование токенов
- время выполнения
- стоимость
Это позволяет быстро понять, где агент ошибся или начал тратить слишком много.
Но самая сильная часть — автоэволюция.
AgentEvolver
- создаёт множество вариантов агента
- применяет мутации и кроссовер
- выбирает лучшие по качеству, скорости и стоимости
GEPA (Genetic-Pareto)
- агент сам анализирует свои ответы и переписывает промпты
- используется Pareto-фронт
- сохраняется несколько оптимальных стратегий, а не одна
В итоге получается не просто агент, а самооптимизирующаяся система, которая ищет баланс между качеством и затратами.
Если устали от тяжёлых агент-фреймворков и хотите минимализм, прозрачность и контроль - KISS может стать отличной базой для ваших LLM-агентов.
https://github.com/ksenxx/kiss_ai
@pythonl60 121
🕘 Таймер продуктивности на Python с использованием threading
Используйте библиотеку
threading для создания простого таймера продуктивности, который поможет вам сосредоточиться на работе в течение заданного времени с последующим перерывом. Это поможет избежать выгорания и повысит продуктивность.
import threading
import time
def timer(duration, break_duration):
print(f"Начинаем работу на {duration} минут.")
time.sleep(duration * 60) # Длительность работы в секундах
print("Время на перерыв!")
time.sleep(break_duration * 60) # Длительность перерыва в секундах
print("Перерыв закончен, продолжайте работу!")
# Задайте длительность работы и перерыва
work_duration = 25 # в минутах
break_duration = 5 # в минутах
# Запускаем таймер
threading.Thread(target=timer, args=(work_duration, break_duration)).start()60 121
🖥 Вы неправильно считываете JSON в Python.
Большинство делает так - и теряет скорость, память и контроль над данными.
Ошибка №1 - читать огромный JSON целиком
json.load() загружает ВСЁ в память. На больших файлах ты сам создаёшь себе OOM.
Ошибка №2 - не валидировать структуру
Ты думаешь, что поле есть. Прод думает иначе.
Ошибка №3 - парсить стандартным json там, где нужна скорость
Стандартный модуль медленный для high-load задач.
Как правильно:
- Большие файлы → читать потоково (ijson / построчно)
- Критичная скорость → использовать orjson
- Важные данные → сразу проверять ключи и типы
- API → оборачивать в try/except, а не надеяться
Продакшн-код работает не потому что “JSON простой”,
а потому что ты контролируешь объём, структуру и ошибки.60 121
🚀 Вышла интересная open-source модель - MiniCPM-o 4.5
MiniCPM-o 4.5 позиционируется как full-duplex omni-modal LLM.
Проще говоря, модель может:
- одновременно видеть (видео/изображение)
- слушать (аудио)
- говорить
и делать это в реальном времени, без режима "подожди, я сначала дослушаю". Больше похоже на живой диалог, чем на поочередные запросы.
Не только отвечает, но и проявляет инициативу
Заявлена поддержка проактивного поведения - модель может не просто реагировать на вопросы, а, например, сама инициировать напоминания или действия в рамках диалога.
По метрикам
С 9B параметрами модель показывает 77.6 на OpenCompass и, по авторам, обходит GPT-4o и Gemini 2.0 Pro в ряде vision-language задач. Для такого размера это сильный результат.
Практический момент
Главный плюс - это open-source, и всё можно крутить локально на ПК, а не только через облачные API.
Модель: MiniCPM-o 4.5
Страница: Hugging Face (openbmb / MiniCPM-o-4_5)
