Python Portal
Ir al canal en Telegram
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Mostrar más
Red:📈 Análisis del canal de Telegram Python Portal
El canal Python Portal (@pythonportal) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 50 549 suscriptores, ocupando la posición 2 552 en la categoría Tecnologías y Aplicaciones y el puesto 12 149 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 549 suscriptores.
Según los últimos datos del 15 septiembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -622, y en las últimas 24 horas de -13, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.01%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 4.68% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 051 visualizaciones. En el primer día suele acumular 2 365 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 15.
- Intereses temáticos: El contenido se centra en temas clave como строка, none, true, модуль, peter.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Всё самое интересное из мира Python
Сотрудничество, реклама: @devmangx
Работаем с @Spiral_Yuri
РКН: https://clck.ru/3GMMF6”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 16 septiembre, 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.
50 549
Suscriptores
-1324 horas
-1337 días
-62230 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
septiembre '26
septiembre '260
en 1 canales
agosto '26
+25
en 4 canales
Get PRO
julio '26
+29
en 4 canales
Get PRO
junio '26
+8
en 2 canales
Get PRO
mayo '260
en 1 canales
Get PRO
abril '260
en 0 canales
Get PRO
marzo '26
+110
en 4 canales
Get PRO
febrero '26
+23
en 1 canales
Get PRO
enero '26
+5
en 4 canales
Get PRO
diciembre '25
+427
en 14 canales
Get PRO
noviembre '25
+2 968
en 330 canales
Get PRO
octubre '250
en 3 canales
Get PRO
septiembre '25
+1
en 2 canales
Get PRO
agosto '25
+17
en 1 canales
Get PRO
julio '25
+5 086
en 266 canales
Get PRO
junio '25
+698
en 8 canales
Get PRO
mayo '25
+327
en 11 canales
Get PRO
abril '25
+25 787
en 281 canales
Get PRO
marzo '25
+2 364
en 0 canales
Get PRO
febrero '25
+2 039
en 0 canales
Get PRO
enero '25
+3 549
en 2 canales
Get PRO
diciembre '24
+7 547
en 401 canales
Get PRO
noviembre '24
+2 629
en 166 canales
Get PRO
octubre '24
+6 932
en 288 canales
Get PRO
septiembre '24
+5 073
en 283 canales
Get PRO
agosto '24
+8 088
en 236 canales
Get PRO
julio '24
+275
en 2 canales
Get PRO
junio '240
en 0 canales
Get PRO
mayo '24
+1
en 0 canales
Get PRO
abril '24
+3
en 0 canales
Get PRO
marzo '24
+7
en 0 canales
Get PRO
febrero '24
+4
en 0 canales
Get PRO
enero '24
+6
en 0 canales
Get PRO
diciembre '23
+3
en 0 canales
Get PRO
noviembre '23
+10
en 0 canales
Get PRO
octubre '23
+10
en 0 canales
Get PRO
septiembre '23
+7
en 0 canales
Get PRO
agosto '23
+13
en 0 canales
Get PRO
julio '23
+5
en 0 canales
Get PRO
junio '23
+8
en 0 canales
Get PRO
mayo '23
+12
en 0 canales
Get PRO
abril '23
+6
en 0 canales
Get PRO
marzo '23
+16
en 0 canales
Get PRO
febrero '23
+13
en 0 canales
Get PRO
enero '23
+10
en 0 canales
Get PRO
diciembre '22
+11
en 0 canales
Get PRO
noviembre '22
+15
en 0 canales
Get PRO
octubre '22
+25
en 0 canales
Get PRO
septiembre '22
+28
en 0 canales
Get PRO
agosto '22
+70
en 0 canales
Get PRO
julio '22
+995
en 0 canales
Get PRO
junio '22
+2 844
en 0 canales
Get PRO
mayo '22
+3 896
en 0 canales
Get PRO
abril '22
+5 470
en 0 canales
Get PRO
marzo '22
+4 758
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 15 septiembre | 0 | |||
| 14 septiembre | 0 | |||
| 13 septiembre | 0 | |||
| 12 septiembre | 0 | |||
| 11 septiembre | 0 | |||
| 10 septiembre | 0 | |||
| 09 septiembre | 0 | |||
| 08 septiembre | 0 | |||
| 07 septiembre | 0 | |||
| 06 septiembre | 0 | |||
| 05 septiembre | 0 | |||
| 04 septiembre | 0 | |||
| 03 septiembre | 0 | |||
| 02 septiembre | 0 | |||
| 01 septiembre | 0 |
Publicaciones del Canal
OpenResearch в пятницу занял первое место среди самых популярных репозиториев на GitHub.
С OpenResearch можно превратить любого агента для вайбкодинга в ресёрч агента, который изучает литературу, формулирует гипотезы, проводит эксперименты и создаёт исследовательские материалы.
Теперь OpenResearch доступен и на Windows.
https://github.com/alphaXiv/OpenResearch
👉 @PythonPortal
| 2 | Большинство слышит «дообучение» и сразу думает, что мы обновляем миллиарды весов большой языковой модели.
Но часто это не так.
Современные методы дообучения позволяют адаптировать модель, почти не трогая её исходные предобученные веса.
Если вы переходите из Data Science в AI Engineering, стоит знать эти 5 подходов.
1. LoRA — учим обновление, а не сами веса
Замораживаем W.
Обучаем две небольшие матрицы:
ΔW = BA
То есть:
W' = W + BA
Фактически мы учим небольшую поправку к модели.
2. LoRA-FA — замораживаем ещё больше
Замораживаем W и A.
Обучаем только B.
Идея та же, но обучаемых параметров ещё меньше.
3. VeRA — не обучаем даже сами матрицы
Фиксируем случайные A и B.
Обучаем только небольшие векторы масштабирования, которые управляют вкладом этих матриц.
Очень высокая параметрическая эффективность.
4. Delta-LoRA — позволяем базовой модели тоже меняться
В отличие от обычной LoRA, здесь W тоже может обновляться, но эти изменения направляются низкоранговой адаптацией.
5. LoRA+ — та же LoRA, но с другой оптимизацией
A и B обучаются с разными скоростями обучения.
Обычно:
ηB > ηA
Главная идея здесь в том, что дообучение не обязательно означает переобучение всей модели.
LoRA → 2 матрицы
LoRA-FA → 1 матрица
VeRA → векторы масштабирования
LoRA+ → 2 матрицы с разными скоростями обучения
Delta-LoRA → низкоранговые обновления + изменяющиеся базовые веса
Пять подходов к одному и тому же вопросу:
какой минимум нам на самом деле нужно обучать?
Именно это и есть параметрически эффективное дообучение — концепция, которую стоит понимать специалистам по Data Science при переходе в AI Engineering.
👉 @PythonPortal | 1 796 |
| 3 |  Как большая языковая модель работает на аппаратном уровне?
Если вы привыкли к программированию вокруг CPU, большая языковая модель может казаться чем-то почти магическим. Всё потому, что в ней сочетаются глубокая нейронная сеть, архитектура Transformer и GPU — процессор с огромным параллелизмом, на котором она работает. Кроме того, хотя большую языковую модель можно описать несколькими сотнями строк Python, под ними скрываются крупные и сложные слои программного обеспечения, которые одному человеку трудно понять целиком.
Автор проекта решил разобраться в этом вопросе и с нуля реализовал Qwen3-0.6B — от Transformer до симулятора набора инструкций — с помощью Claude Code в качестве проекта на выходные.
Он реализовал саму модель, набор инструкций GPU, компилятор и симулятор GPU, чтобы каждый слой системы был достаточно небольшим и его можно было понять целиком.
Сейчас он также работает над RTL-описанием GPU, чтобы запустить систему на FPGA, а в будущем, возможно, даже изготовить настоящий чип — просто ради интереса.
Что интересно, пользоваться проектом можно примерно как Claude или Codex, но он работает на CPU, поэтому его можно полностью отлаживать и трассировать.
Если вам было трудно связать между собой большие языковые модели и GPU, на которых они работают, репозиторий здесь:
https://github.com/penberg/titania
👉 @PythonPortal | 2 227 |
| 4 |  Представьте, что роботы смогут делать ещё через 10 лет...
👉 @PythonPortal | 2 632 |
| 5 |  +1Разработчик, который до этого ни разу не проектировал печатные платы, взял Claude Fable 5 и на пару часов оставил его самостоятельно работать в KiCad. 🔍
Затем он заказал пять плат за €130, даже не проверив проект самостоятельно. И они заработали.
В основе платы — микроконтроллер RP2350, небольшой дисплей на электронных чернилах, четыре кнопки и несколько дополнительных выводов. Он подключил первую плату к ноутбуку, и тот сразу её распознал.
Проблемы нашлись только с двумя компонентами: SPI-флеш-памятью и транзистором в схеме управления дисплеем. Причём обнаружилось это уже при отправке файлов производителю. После нескольких раундов правок всё исправили.
Раньше он уже пытался сделать тот же проект с помощью более старых моделей, но тогда компоненты оказывались неправильно ориентированы, а нормальной разводки платы практически не было.
Он пишет, что результатом доволен, хотя особого чувства, что он сам чего-то добился, у него нет. И при этом он всё равно хочет нормально научиться проектировать печатные платы самостоятельно.
👉 @PythonPortal | 2 939 |
| 6 |  Если полностью разберётесь в этой статье, то будете понимать инференс лучше 90% людей.
И это, кстати, всего лишь первый материал в репозитории AI Performance Engineering.
Страшно представить, сколько знаний в остальных.
https://github.com/wafer-ai/gpu-perf-engineering-resources
👉 @PythonPortal | 2 943 |
| 7 |  Hugging Face завершила серию Training Agents — шесть практических воркшопов про оценку и обучение ИИ-агентов.
За полгода команда разобрала весь путь: от бенчмарков и SFT на трассах агентов до дистилляции, GRPO и обучения внутри реальных сред.
В финальной части они собрали среду на OpenEnv, подключили её к TRL и обучили реального агента для программирования OpenCode через Harbor в песочницах Hugging Face.
Все шесть записей уже доступны бесплатно, весь код открыт. Серия набрала более 300 тысяч просмотров.
Плейлист:
https://youtube.com/playlist?list=PLo2EIpI_JMQvQZm-kVlz4wY1vWF0LBcf5
👉 @PythonPortal | 3 283 |
| 8 |  Python-библиотека для получения цен и расписания рейсов из Google Flights.
https://github.com/AWeirdDev/flights
👉 @PythonPortal | 3 150 |
| 9 |  Репозиторий содержит Jupyter-ноутбуки к книге O’Reilly «Transformers: The Definitive Guide».
Внутри — код для задач компьютерного зрения, временных рядов, обработки аудио и обучения с подкреплением.
https://github.com/Nicolepcx/transformers-the-definitive-guide
👉 @PythonPortal | 3 323 |
| 10 |  Профессор кафедры машиностроения Вашингтонского университета Стив Брантон выложил на YouTube полный курс по теории управления для магистрантов и аспирантов. Бесплатно.
Курс называется Control Bootcamp.
Линейные системы, устойчивость и собственные значения, управляемость и наблюдаемость, размещение полюсов, фильтр Калмана, LQR / LQG, робастное управление, MPC — всё разбирается последовательно и с примерами в Matlab.
Брантон — Boeing Professor of AI & Data-Driven Engineering в Вашингтонском университете. Он получил степень бакалавра по математике в Caltech с дополнительной специализацией по управлению и динамическим системам, а затем докторскую степень по механической и аэрокосмической инженерии в Princeton.
Плейлист: https://youtube.com/playlist?list=PLMrJAkhIeNNR20Mz-VpzgfQs5zrYi085m
👉 @PythonPortal | 3 463 |
| 11 |  «Understanding Linear Algebra» — бесплатный учебник, который связывает теоретические основы линейной алгебры с практическими применениями и информатикой.
Он охватывает широкий круг тем: системы уравнений, векторы и матрицы, линейные комбинации, матричные преобразования, базисы и системы координат, определители, подпространства, собственные значения и собственные векторы, динамические системы, цепи Маркова, ортогональность, метод наименьших квадратов, сингулярное разложение и многое другое.
Очень полезный материал для тех, кто изучает линейную алгебру. Стоит сохранить как справочник.
https://scholarworks.gvsu.edu/cgi/viewcontent.cgi?article=1026&context=books
👉 @PythonPortal | 3 298 |
| 12 |  GPT-6 Astra дали роботизированную руку, кисть и камеру, а затем попросили нарисовать мост Золотые Ворота в реальном мире.
Модель сама разобралась, как управлять роботом, и с каждой новой попыткой рисовала всё лучше.
Самое впечатляющее здесь даже не картина. Astra училась на собственных попытках и улучшала результат уже в физическом мире.
👉 @PythonPortal | 4 225 |
| 13 |  Проверка уникальности работает через =, а NULL = NULL не даёт true. По умолчанию NULL не считается уникальным значением.
Postgres не может доказать равенство двух NULL, поэтому пропускает обе строки.
Простой пример, где это ломается, — составной ключ:
-- UNIQUE (user_id, org_id, deleted_at)
INSERT INTO memberships VALUES (1, 10, NULL);
INSERT INTO memberships VALUES (1, 10, NULL);
-- обе строки будут вставлены
В итоге можно получить две активные записи membership для одного и того же пользователя, потому что ограничение уникальности вообще не срабатывает.
NULLS NOT DISTINCT
Начиная с Postgres 15, уникальные ограничения и индексы могут считать NULL равными:
UNIQUE NULLS NOT DISTINCT (user_id, org_id, deleted_at)
Второй INSERT уже завершится ошибкой.
Но это также запретит две строки с одинаковым значением deleted_at, а не только две активные строки.
Частичный уникальный индекс
Если уникальность нужно обеспечить только для активных строк, используйте partial unique index:
CREATE UNIQUE INDEX ON memberships (user_id, org_id)
WHERE deleted_at IS NULL;
👉 @PythonPortal | 3 965 |
| 14 |  Каждый новый else if — это ещё одно критическое допущение, о котором ты уже забыл.
Убери один граничный случай — и смотри, как вся конструкция начинает шататься.
👉 @PythonPortal | 4 539 |
| 15 | Data Driven 2026 — конференция для аналитиков от Яндекса
Конференции в этом году исполняется 10 лет!
Главная тема — AI-first-аналитика. Два трека докладов охватят: — какие AI-инструменты реально экономят время аналитика — как генеративный AI влияет на работу с данными — как изменится роль аналитика в ближайшие годы
Среди спикеров — CDO ключевых направлений Яндекса:
— Роман Халкечев (CDO Поисковых сервисов и ИИ Яндекса) — расскажет о том, как AI переписывает правила игры при работе с данными, меняет способ принятия решений в компании и трансформирует профессии аналитика и дата инженера;
— Олег Хомюк (CDO Яндекс Поиска) — как объективно измерить качество AI-агентов и инфраструктуры AI-ready-данных;
— Артём Солоухин (зам. руководителя ML и инновационных инструментов Центральной аналитики) — покажет MARS, первую мультиагентную рабочую среду в Яндексе;
— Максим Стаценко (руководитель BigData Tech & Research Центральной аналитики) — расскажет, как собрать агента-аналитика, которому реально можно доверять.
В программе также нетворкинг, стенды с экспертами, Random Coffee с топовыми аналитиками, карьерные консультации, IT standup и афтерпати в честь юбилея конференции.
🔗 Москва + онлайн, 26 сентября. Регистрируйтесь по ссылке
Новости конференции | 3 785 |
| 16 |  Это, пожалуй, одна из лучших технических книг о том, как большие языковые модели обучают в огромных масштабах:
> память GPU и профилирование
> разбиение вычислений на блоки, объединение ядер и FlashAttention
> параллелизм по данным, тензорам, конвейеру и контексту
Я уже прочитал бесплатную онлайн-версию, но всё равно пришлось купить бумажную копию для своей библиотеки.
Бесплатно прочитать её можно и на Hugging Face:
https://huggingface.co/spaces/nanotron/ultrascale-playbook
👉 @PythonPortal | 3 155 |
| 17 |  Какой стиль API на самом деле стоит использовать?
Вот список самых сильных вариантов и чем каждый из них выделяется.
1. SOAP (Simple Object Access Protocol)
Этот подход к созданию веб-сервисов существует уже давно.
Он может работать поверх разных протоколов и использует сообщения на основе XML.
Поддерживает разные протоколы и сообщения в XML-формате.
В основном применяется в корпоративных системах, где важно соблюдать строгие правила и формальные спецификации.
2. REST (Representational State Transfer)
Большинство современных веб-сервисов используют этот архитектурный стиль.
REST API используют URI для адресации ресурсов и стандартные HTTP-методы для работы с ними.
Они stateless, то есть каждый запрос содержит всю необходимую информацию. Благодаря этому такие API остаются гибкими и хорошо масштабируются.
3. GraphQL
Это язык запросов, который позволяет клиенту точно указывать, какие данные ему нужны.
Это помогает избежать как лишней загрузки данных, так и нехватки данных, а также снижает сетевые накладные расходы.
Обычно ответы отправляются в формате JSON, который позволяет удобно представлять сложные иерархические структуры данных.
GraphQL хорошо подходит для кастомных запросов и случаев, когда требования к данным со временем меняются.
4. Webhook
Это механизм, который позволяет серверам уведомлять другие системы в реальном времени при наступлении определённых событий.
Он использует HTTP callbacks и гибкий формат payload, чаще всего JSON.
5. WebSocket
Этот протокол поддерживает постоянное соединение и позволяет обмениваться данными в обе стороны в реальном времени.
WebSocket хорошо подходит для приложений, которым нужно часто и быстро отправлять и получать данные. Например, для онлайн-игр или чатов в реальном времени.
Он позволяет сократить количество отдельных HTTP-запросов.
6. gRPC
Это современный фреймворк, который использует Protocol Buffers для сериализации данных в компактный бинарный формат.
Его часто применяют в микросервисных системах из-за высокой производительности.
Сообщения gRPC компактные и эффективные.
👉 @PythonPortal | 3 513 |
| 18 |  Этот чувак уже создал два дистрибутива Linux. А теперь делает третий только для того, чтобы потом его забросить и доказать свою точку зрения.
И всё это он делает в прямом эфире, на камеру.
Его зовут Айки Доэрти. Он основал Solus и Serpent OS, который теперь называется AerynOS. Раньше он также работал инженером в команде Intel Clear Linux.
Теперь Доэрти вернулся, и формулировка у него довольно жёсткая. Он «объявил войну индустрии».
Он не пытается сделать ещё один дистрибутив, который будут поддерживать вечно.
Он публично строит его с нуля, чтобы показать, как, по его мнению, должен выглядеть современный дистрибутив Linux.
Когда идея будет доказана, долгосрочно поддерживать проект он не планирует.
Концепция звучит как «Clear Linux встречает Serpent».
Дистрибутив собирается из исходников, полностью оптимизирован, неизменяем, во многом написан на Rust и получит собственный совершенно новый менеджер пакетов.
Он называется Barney.
Репозиторий:
https://github.com/TravellingEngineer/barney
👉 @PythonPortal | 3 747 |
| 19 |  Удивительно, как часто путают программу, процесс и поток.
Вот простое объяснение.
1. Программа
Это файл на диске, содержащий набор инструкций.
Одна программа может запускать несколько процессов.
Например, Firefox может создавать отдельные процессы для разных компонентов.
2. Процесс
Это программа, которая уже выполняется.
Программа превращается в процесс, когда загружается в память и запускается.
Для работы процесс использует, например, счётчик команд, стек и регистры.
3. Поток
Поток — минимальная единица выполнения внутри процесса.
Один процесс может содержать много потоков.
Например, браузер одновременно выполняет несколько потоков. Один может загружать содержимое, другие — отрисовывать анимации, воспроизводить видео и выполнять другие задачи.
Главные различия между процессами и потоками:
• процессы независимы, а потоки существуют внутри процесса
• у каждого процесса своё адресное пространство памяти, а потоки одного процесса делят общую память
• переключение между процессами обычно дороже
• обмен данными между потоками быстрее, чем между процессами
• создание и завершение потока обычно легче и быстрее
👉 @PythonPortal | 3 737 |
| 20 |  Изучайте мехатронику.
Особенно сейчас.
Потому что самые интересные инженерные задачи уже не относятся отдельно к механике, электронике или программированию.
Они объединяют всё сразу.
• механика → механизмы, шестерни, конструкции, материалы, допуски
• электроника → датчики, моторы, драйверы, системы питания, печатные платы
• встраиваемые системы → микроконтроллеры, прошивки, управление в реальном времени, шины связи
• теория управления → обратная связь, устойчивость, отслеживание траектории, движение
• программирование → интерфейсы, алгоритмы, сети, архитектура систем
• робототехника → восприятие, планирование, манипуляции, автономность
• производство → превращение проекта в реальное, надёжное и воспроизводимое устройство
А потом объединяйте всё это.
Спроектируйте механизм в CAD.
Напечатайте его на 3D-принтере.
Добавьте моторы и датчики.
Спроектируйте электронику.
Напишите прошивку.
Реализуйте систему управления.
Заставьте машину вести себя так, как нужно.
Весь этот цикл и есть мехатроника.
По мере того как интеллект перемещается с экранов в физические машины, инженеры, которые могут свободно переходить между кодом, схемами и механизмами, становятся невероятно ценными.
Не учитесь только программировать машины.
Учитесь ещё и создавать сами машины.
👉 @PythonPortal | 3 728 |
