Python/ django
Ir al canal en Telegram
по всем вопросам @workakkk @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 58 997 suscriptores, ocupando la posición 2 166 en la categoría Tecnologías y Aplicaciones y el puesto 10 177 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 58 997 suscriptores.
Según los últimos datos del 26 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -302, y en las últimas 24 horas de -5, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 6.27%. 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 3 702 visualizaciones. En el primer día suele acumular 2 006 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 20.
- 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 @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 27 agosto, 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.
58 997
Suscriptores
-524 horas
+1267 días
-30230 días
Archivo de publicaciones
58 989
🐍 Маленькая, но красивая фишка Python.
В большинстве языков, чтобы поменять значения переменных местами, используют временную переменную:
temp = a
a = b
b = temp
a, b = b, a
58 989
Документальный короткометражный фильм о команде разработки товарных операций Ozon Tech уже доступен к просмотру.
Товарные операции - это весь цикл работы с посылкой до отправки покупателю: хранение, перемещение по складу, упаковка, сортировка и подготовка к отгрузке. Речь идёт о более чем 55 000 000 операций ежедневно. Значительная часть процессов уже автоматизирована, остальное продолжает активно развиваться и масштабироваться.
В фильме показано, как устроена работа команды разработки, какие задачи они решают и как их решения связаны с реальными физическими процессами.
Посмотреть можно здесь: VK Видео | YouTube
Если интересно, как выглядит разработка на стыке IT и логистики, стоит взглянуть.
58 989
+3🚀 DeepSeek-V4 ломает рынок: 1M контекста стал нормой
DeepSeek выкатили V4 и сделали то, к чему все шли последние два года. Длинный контекст больше не фича для демо. Теперь это базовый уровень.
V4-Pro выглядит как заявка на прямую конкуренцию с закрытыми моделями. 49B активных параметров дают уровень reasoning, который раньше был доступен только в дорогих API. Агентные задачи закрываются на уровне SOTA среди open-source.
V4-Flash почти не отстает по качеству, зато быстрее и заметно дешевле. Это уже не про исследования. Это про продакшен, где важна цена за каждый запрос.
Новый attention с компрессией токенов и sparse-подходом делает 1M контекста не просто возможным, а экономически адекватным. Раньше длинный контекст стоил как эксперимент. Теперь это рабочий инструмент.
DeepSeek явно ставит ставку на агентов. Интеграция с Claude Code, OpenClaw и другими системами показывает, куда они целятся. Не чат. Автоматизация процессов, цепочки действий, реальные workflow.
И еще один важный момент. Теперь есть выбор между thinking и non-thinking режимами. Можно управлять тем, тратить ли ресурсы на глубокое рассуждение или получать быстрый ответ.
В итоге меняется базовая логика рынка. Если раньше ты выбирал между качеством и ценой, то теперь появляется третья точка. Длинный контекст плюс агентность при адекватной стоимости.
Это новый baseline, под который придется перестраиваться всем.
📄 Tech Report: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
🤗 Open Weights: https://huggingface.co/collections/deepseek-ai/deepseek-v4
@ai_machinelearning_big_data
#DeepSeek
58 989
🚀 50+ команд Claude Code, которые реально ускоряют разработку
Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности.
Это не просто AI. Это полноценная система разработки внутри терминала.
Вот как его правильно использовать:
База, без которой никуда:
-
/init - создаёт CLAUDE.md и память проекта
- /memory - открывает контекст проекта
- /add-dir - подключает новые директории
- /compact - чистит контекст и экономит токены
Работа с кодом:
- /diff - показывает изменения
- /review - ревью кода
- /simplify - 3 агента анализируют код
- /debug - системный дебаг
Контроль процесса:
- /plan - сначала думает, потом пишет код
- /permissions - контроль действий
- --dangerously-skip-permissions - полный автопилот
Продвинутые фичи:
- /agents - параллельные агенты
- /loop - повтор задач
- /bash - выполнение команд
- /remote-control - управление через браузер
Модели и режимы:
- /model - переключение моделей
- /effort - глубина мышления
- /fast - быстрый режим
Что важно знать:
- Claude Code = не чат, а инженер внутри проекта
- память (CLAUDE.md) решает больше, чем промпты
- агенты дают x2-x5 ускорение на сложных задачах58 989
🚀 Автономные исследования на Apple Silicon
Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных.
🚀 Основные моменты:
- Нативная поддержка Apple Silicon без PyTorch/CUDA
- Фиксированный 5-минутный бюджет на обучение
- Логирование результатов в results.tsv
- Простая структура для автономного эксперимента
- Оптимизация моделей для повышения эффективности
📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx
#python
58 989
🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером
Уже завтра 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.
58 989
🗂️ Живая база лучших AI-инструментов - обновляется с 2023 и держит только актуальное
В одном месте собрали весь стек, который реально используют сейчас:
- свежие LLM и новые релизы
- мультимодалка: изображения, видео, аудио
- AI-агенты и автоматизация
- dev-платформы и API
- инфраструктура, плагины и утилиты
Это не статичный список, а постоянно обновляемая карта рынка.
Сохрани - пригодится.
https://github.com/eudk/awesome-ai-tools
58 989
Продвинутый совет по Django:
Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer.
Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ.
Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться.
Хороший паттерн такой:
view отвечает только за HTTP,
serializer за валидацию,
model за данные,
а вся бизнес-логика живёт в services.
Пример:
# services/order_service.py
from django.db import transaction
from .models import Order, OrderItem
class OrderService:
@staticmethod
@transaction.atomic
def create_order(*, user, items_data):
order = Order.objects.create(user=user, status="new")
order_items = [
OrderItem(
order=order,
product_id=item["product_id"],
quantity=item["quantity"],
price=item["price"],
)
for item in items_data
]
OrderItem.objects.bulk_create(order_items)
return order
def create_order_view(request):
serializer = OrderCreateSerializer(data=request.data)
serializer.is_valid(raise_exception=True)
order = OrderService.create_order(
user=request.user,
items_data=serializer.validated_data["items"],
)
return Response({"order_id": order.id})
58 989
Repost from Machinelearning
+1⚡️ Qwen3.6-35B-A3B - ставка на эффективную архитектуру, а не на размер
35B параметров, ~3B активных за счёт MoE.
Главное:
- по agentic coding показывает уровень моделей с ~10x большим активным объёмом
- превосходит Qwen3.5-27B (dense) и предыдущую Qwen3.5-35B-A3B
- нативно мультимодальная архитектура (text + vision)
- в VLM-бенчмарках сопоставима с Claude Sonnet 4.5, в ряде задач выше
- сильные метрики в задачах spatial reasoning
Практическое значение:
- MoE даёт кратное снижение compute без потери качества
- подходит для агентных сценариев, где важны последовательные действия и планирование
- можно использовать как единый стек для code + vision задач
Apache 2.0 - без ограничений для продакшена
qwen.ai/blog?id=qwen3.6-35b-a3b
chat.qwen.ai
huggingface.co/Qwen/Qwen3.6-35B-A3B
modelscope.cn/models/Qwen/Qwen3.6-35B-A3B
@ai_machinelearning_big_data
58 989
🎨🚀 Генерация 3D-моделей из изображений с помощью AI
Modly — это приложение для настольных ПК, позволяющее преобразовывать фотографии в 3D-модели с использованием открытых AI-моделей. Работает на Windows и Linux, с поддержкой macOS в будущем.
🚀Основные моменты:
- Генерация 3D-моделей из изображений.
- Поддержка внешних AI-расширений.
- Открытый исходный код и работа на GPU.
- Доступно для Windows и Linux.
📌 GitHub: https://github.com/lightningpixel/modly
#python
58 989
🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты.
Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS.
Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки.
Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка.
Лучше всего справляется с английским, но русский тоже поддерживает.
Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов.
Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь.
https://github.com/OpenMOSS/MOSS-TTS-Nano
Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano
58 989
🚀 Claude Code получил open-source инструмент, который снимает лимиты использования и не даёт ему останавливаться посреди задачи.
47 000+ звёзд, бесплатно, и уже называют чит-кодом для power-пользователей.
https://github.com/thedotmack/claude-mem
58 989
⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
58 989
🚀 OpenGauss: Умный оркестратор для Lean-работ
OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI.
🚀Основные моменты:
- Многоагентная архитектура для Lean-работ
- Поддержка различных рабочих процессов: prove, draft, autoprove
- Удобное управление проектами и сессиями
- Интеграция с Lean tooling и MCP/LSP
📌 GitHub: https://github.com/math-inc/OpenGauss
58 989
+1🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией!
Обе модели
• Обучены с нуля — без инициализации зарубежными весами
• MoE + MTP + MLA
• Совместимы с HuggingFace, llama.cpp / vLLM / SGLang
Код и веса уже на платформе GitVerse.
Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками.
В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.
58 989
+1🔥 Linux 7.0 - Торвальд и команда вычистили десятилетия грязного легаси и ОС стала реально быстрее!
Линус Торвальдс наконец пошёл на радикальный шаг и начал массовую зачистку старого кода. То, что копилось годами, просто выкинули. Итог - система стала заметно проще, чище и быстрее.
Что изменилось по факту:
XFS сильно прокачали - файловая система стала надёжнее, меньше рисков потери данных и лучше ведёт себя под нагрузкой
Работа с памятью ускорилась примерно на 20%, плюс подтянули сетевой стек - соединения стабильнее при высоких нагрузках
Контейнеры теперь стартуют быстрее за счёт улучшений в open_tree - меньше оверхеда при разворачивании
В Kconfig наконец дали больше свободы кастомизации - можно заменить Tux на свой логотип
Поддержка железа тоже прокачана - AMD и Intel работают эффективнее без ручных оптимизаций
Главное здесь не список фич, а тренд. Ядро постепенно избавляется от исторического балласта и становится более предсказуемым и удобным для современных нагрузок.
https://github.com/torvalds/linux/releases/tag/v7.0
58 989
🚨 Без этого репо ты используешь Claude Code на 10%
Практически все, кто реально работает с Claude Code, уже сидят на claude-code-best-practice. Остальные просто не выжимают и половины возможностей.
Это не очередной список советов, а собранная база практики: 84 конкретных приёма, примеры внедрения и разбор того, как строят workflow топовые пользователи.
Внутри разложено всё, что обычно собираешь по кускам:
промптинг, планирование, CLAUDE.md, агенты, команды, skills, hooks, дебаг, утилиты
реальные примеры использования каждой ключевой фичи
сравнение подходов из крупных репозиториев и методологий
оркестрация через цепочку Command → Agent → Skill
советы Бориса Черны, собранные из тредов и интервью
Есть и практические вещи, которые реально меняют работу:
• использование subagents, чтобы разгружать контекст и ускорять задачи
• второй Claude как ревьюер перед выполнением плана
• контроль размера CLAUDE.md, чтобы модель не деградировала
• ручное управление контекстом через /compact
• переписывание решений «с нуля», когда уже понял задачу глубже
Отдельно - блок с открытыми вопросами, на которые до сих пор нет нормального ответа. Это уже уровень, где начинается настоящая инженерия вокруг Claude Code.
Репозиторий залетел в топ GitHub, почти 20K звёзд и активно растёт.
https://github.com/shanraisshan/claude-code-best-practice
