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
📈 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 50 858 suscriptores, ocupando la posición 2 639 en la categoría Tecnologías y Aplicaciones y el puesto 12 070 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 858 suscriptores.
Según los últimos datos del 14 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 159, y en las últimas 24 horas de -14, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 9.13%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.32% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 646 visualizaciones. En el primer día suele acumular 2 706 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 19.
- 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 15 noviembre, 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.
50 858
Suscriptores
-1424 horas
-807 días
+15930 días
Cargando datos
Canales Similares
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=96&q=75){kind=small}
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
noviembre '26nov '26
noviembre '26
+33
en 0 canales
octubre '26
+1 017
en 4 canales
Get PRO
septiembre '260
en 2 canales
Get PRO
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 332 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 noviembre | 0 | |||
| 14 noviembre | 0 | |||
| 13 noviembre | +4 | |||
| 12 noviembre | 0 | |||
| 11 noviembre | 0 | |||
| 10 noviembre | 0 | |||
| 09 noviembre | 0 | |||
| 08 noviembre | +5 | |||
| 07 noviembre | 0 | |||
| 06 noviembre | +2 | |||
| 05 noviembre | +10 | |||
| 04 noviembre | +5 | |||
| 03 noviembre | 0 | |||
| 02 noviembre | 0 | |||
| 01 noviembre | +7 |
Publicaciones del Canal
Алгоритм Фишера — Йетса позволяет случайным образом перемешать весь массив за время O(n).
Достаточно пройти по массиву с конца к началу, на каждом шаге выбирая случайный индекс и меняя элементы местами.
Если случайные индексы выбираются равновероятно, каждая возможная перестановка элементов имеет одинаковую вероятность.
👉 @PythonPortal
| 2 |  Доступна предварительная версия седьмого издания книги «Компьютерные сети. Системный подход» (Computer Networks: A Systems Approach).
https://7e.systemsapproach.org/
👉 @PythonPortal | 1 585 |
| 3 |  Бесплатные видеолекции по компьютерным сетям на основе учебника «Компьютерные сети. Нисходящий подход» Джеймса Куроуза и Кита Росса.
По ссылке ниже доступны лекции по всем главам учебника:
https://gaia.cs.umass.edu/kurose_ross/lectures.php
🙌
👉 @PythonPortal | 2 232 |
| 4 | Эти разработчики, похоже, выжали из процессора всё до последней капли производительности!
Для запуска модели на 284 миллиарда параметров больше не нужна видеокарта. Достаточно 64 ГБ оперативной памяти.
В мире больших языковых моделей появился невероятно мощный проект с открытым исходным кодом — synchopate/llama-modchip.
Раньше для запуска DeepSeek-V4 с её 284 миллиардами параметров требовалось как минимум несколько серверов с восемью GPU NVIDIA H100. Теперь разработчики предлагают совершенно иной подход: без дискретной видеокарты, на обычном домашнем процессоре и с 64 ГБ оперативной памяти можно разместить эту огромную модель и добиться высокой скорости генерации.
Mingzi сверил впечатляющие характеристики проекта с официальными результатами бенчмарков:
- Никаких GPU, только оперативная память. Дорогая видеокарта больше не нужна. Модель DeepSeek на 284 миллиарда параметров удалось сжать до 56,9 ГБ. Обычный компьютер с 64 ГБ оперативной памяти способен запустить её без обращения к файлу подкачки.
- Вполне пригодная для работы скорость на одном CPU. Благодаря оптимизации под векторные инструкции скорость генерации модели на 284 миллиарда параметров стабильно составляет 9–14 токенов в секунду. При использовании спекулятивного семплирования она достигает 25 токенов в секунду, а косинусное сходство сохраняется на уровне 99,15%.
- Модели на 30 миллиардов параметров работают ещё быстрее. MoE-модель такого размера занимает всего 13,3 ГБ. Её можно запустить даже на ноутбуке с 16 ГБ оперативной памяти. При этом скорость генерации исключительно на CPU достигает впечатляющих 111 токенов в секунду.
- Готовый набор инструментов. Проект включает веб-интерфейс в тёмной теме, не требующий дополнительных зависимостей, и интерфейс командной строки. Кроме того, предусмотрена нативная поддержка подключения в качестве локального бэкенда для Claude Code.
Однако есть два важных ограничения.
Во-первых, для запуска модели на 284 миллиарда параметров необходимы полноценные 64 ГБ физической оперативной памяти. При меньшем объёме система начнёт активно использовать файл подкачки, что может привести к зависаниям.
Во-вторых, проект работает на специально модифицированной версии llama.cpp. Стандартная версия Ollama не распознаёт используемый формат квантования, поэтому запускать модель необходимо через скрипт, входящий в комплект проекта.
https://github.com/synchopate/llama-modchip
👉 @PythonPortal | 2 614 |
| 5 |  Если хотите изучить проектирование систем , у Гиков есть отличное руководство.
Оно охватывает основные темы:
1. Масштабирование систем и балансировка нагрузки.
2. Базы данных, репликация и шардинг.
3. Кеширование и сети доставки контента (CDN).
4. API-шлюзы, очереди сообщений и ограничение частоты запросов.
5. Микросервисы и событийно-ориентированная архитектура.
6. Практические задачи по проектированию систем, подобных Netflix, Uber и Twitter.
Руководство можно использовать как план обучения: выбирайте тему, разбирайтесь, какую проблему она решает, а затем пробуйте применить полученные знания в собственных проектах.
https://www.geeksforgeeks.org/system-design/system-design-tutorial/
👉 @PythonPortal | 2 687 |
| 6 |  Это материалы всего за один месяц курса CS8803 в Технологическом институте Джорджии.
Подробный разбор эмбеддингов, рассуждений и выравнивания моделей, архитектуры ИИ-агентов и работы с длинным контекстом. Всё подкреплено научными публикациями.
Невероятно ценные материалы, причём все они находятся в открытом доступе:
https://cocoxu.github.io/CS8803-LLM-spring2026/
👉 @PythonPortal | 2 959 |
| 7 |  Проверить, является ли число n простым, можно детерминированно и за полиномиальное время всего в 10 строках Python.
Этот алгоритм предложил Гэри Миллер ещё 50 лет назад. Однако для доказательства его корректности требуется недавний результат OpenAI, связанный с квазигипотезой Римана (quasi-GRH)!
Тест простоты AKS в своё время стал огромным достижением, удостоенным премий Гёделя и Фалкерсона в 2006 году. Но теперь он устарел.
Безумные времена.
👉 @PythonPortal | 3 181 |
| 8 |  ChatGPT обучается с помощью формулы, которую придумали ещё в 1847 году для расчёта орбит планет.
w ← w − η∇L
Это градиентный спуск, без которого не существовало бы ни одной современной нейросети.
Его придумали не в OpenAI и не в Google, а во Франции почти 180 лет назад, когда математик Огюстен Луи Коши искал более быстрый способ рассчитывать движение небесных тел.
Представьте, что вы стоите на горе, окутанной густым туманом. Подножия не видно, но вы чувствуете уклон под ногами. Вы делаете шаг в сторону самого крутого спуска, снова определяете уклон и делаете следующий шаг. Так, шаг за шагом, вы спускаетесь в долину.
Нейросеть действует по тому же принципу. Гора олицетворяет её ошибки, а долина соответствует правильным ответам. Только у этой горы не три измерения, а миллиарды.
Коши рассчитывал орбиты планет. А его формула научила машины писать.
👉 @PythonPortal | 3 585 |
| 9 |  Одна из самых опасных ошибок в SQL возникает, когда запрос успешно выполняется, хотя должен был завершиться с ошибкой.
Предположим, вы хотите удалить заказы пользователей, чьи аккаунты заблокированы.
Но в таблице banned_accounts есть столбец id, а не user_id.
PostgreSQL не выдаёт ошибку. Вместо этого он незаметно находит user_id во внешней таблице orders и превращает подзапрос в коррелированный.
Если в banned_accounts есть хотя бы одна строка, запрос выберет все заказы, у которых user_id не равен NULL.
Всего одна ошибка в названии столбца, и вы можете удалить всё содержимое таблицы заказов.
👉 @PythonPortal | 3 677 |
| 10 |  +1Исследователь Google DeepMind Петар Величкович сообщил о завершении полного черновика книги по геометрическому глубокому обучению.
Все главы уже доступны на сайте проекта.
https://geometricdeeplearning.com/book/
👉 @PythonPortal | 3 749 |
| 11 |  HDMI-кабели могут излучать электромагнитные сигналы, содержащие информацию об изображении на экране.
Антенна и программно-определяемый радиоприёмник улавливают эти излучения, а программное обеспечение, например TempestSDR, позволяет восстановить из них распознаваемое изображение.
Deep-TEMPEST используетxiv.org/pdf/2407.09717 машинное обучение для более точного восстановления текста и изображений из тех же исходных сигналов. В ходе испытаний доля ошибок при распознавании символов снизилась почти с 90% до менее чем 30%.
Однако качество восстановления по-прежнему зависит от экранирования кабеля, расстояния и окружающих электромагнитных помех. Хорошее экранирование или использование оптоволоконного HDMI-кабеля позволяет устранить большую часть риска.
Даже проводное соединение может оставлять след в радиоэфире.
👉 @PythonPortal | 4 149 |
| 12 |  Если Сэм Альтман считает, что оперативная память вашего компьютера расходует дефицитные мировые запасы DRAM впустую, может, стоит отправлять ему письмо каждый раз, когда она простаивает?
Кто-то уже написал для этого скрипт.
Скрипт каждые пять минут проверяет использование оперативной памяти на компьютере с Linux и раз в сутки отправляет Альтману отчёт, если свободно больше 10% ОЗУ.
Теперь Сэм будет знать, сколько драгоценной памяти простаивает без дела. 😂
https://github.com/IainKay/ram-altman
👉 @PythonPortal | 4 362 |
| 13 |  Бесплатные 3D-модели японских городов, охватывающие отдельные районы Токио, Осаки, Иокогамы, Нагои и Саппоро.
Модели доступны в формате GLB и готовы к использованию в трёхмерных картах, играх и демопроектах, созданных с помощью ИИ.
https://huggingface.co/datasets/codepawl/plateau-city-glb
👉 @PythonPortal | 4 535 |
| 14 |  Computer Use больше не нужен: разработчик представил Phone Use — инструмент, позволяющий ИИ-агентам взаимодействовать с настоящим iPhone.
Автор подключил свой iPhone к компьютеру на Linux через Bluetooth и AirPlay. При этом распознавание текста через OCR выполняется отдельно от основного процесса, поэтому агенту не приходится постоянно работать со скриншотами.
Для взаимодействия с телефоном предусмотрены готовые сценарии, а для подключения ИИ-агентов есть отдельный Agent Skill.
По словам автора, теперь можно буквально делать всё что угодно.
Забираем на GitHub - https://github.com/lxe/phoneuse
👉 @PythonPortal | 4 633 |
| 15 |  Колумбийский университет опубликовал подробный учебный материал по архитектуре Transformer 📚
В нём разбираются математические основы одной из ключевых технологий современных ИИ-систем: от рекуррентных нейросетей и архитектуры encoder-decoder до механизмов attention и self-attention.
Отдельное внимание уделено query, key и value, scaled dot-product attention, multi-head attention и softmax.
Главная особенность материала — математический подход. Авторы используют формулы, пошаговые выводы, схемы и примеры, чтобы объяснить, как устроены отдельные компоненты Transformer и как они взаимодействуют друг с другом.
https://www.columbia.edu/~jsl2239/transformers.html
👉 @PythonPortal | 4 557 |
| 16 |  Оксфордский университет открыл бесплатный курс «Теории глубокого обучения» на 2026–2027 учебный год.
Курс посвящён математическим основам глубоких нейронных сетей и включает 16 лекций, находящихся в свободном доступе.
Программа охватывает архитектуры нейросетей, нелинейные преобразования, свёрточные структуры, пулинг, методы оптимизации, обучение словарей, переносимость изученных признаков, состязательные примеры, теорию случайных матриц, обучение инвариантности и другие темы.
В лекциях рассматриваются математические теории, позволяющие понять, как обучаются глубокие нейронные сети и чем объясняются особенности их работы.
На мой взгляд, это особенно ценный материал для тех, кто хочет разобраться в математике, лежащей в основе современных ИИ-систем.
https://courses.maths.ox.ac.uk/course/view.php?id=6621 | 4 445 |
| 17 |  Исследователи Amazon сравнили два подхода к памяти ИИ-агентов: хранение информации в весах модели и извлечение данных из внешнего хранилища.
Результаты показали, что память, встроенная непосредственно в веса модели, может превосходить текстовую память при воспроизведении сведений о пользователе. Однако наибольший интерес представляет возможность совместного использования обоих подходов.
В эксперименте использовались одна и та же модель и одинаковые пользовательские данные. Обычное дообучение позволило сохранить сведения о пользователе в весах модели с точностью 36,9%, тогда как метод on-policy self-distillation повысил этот показатель до 59,9%.
Причём второй результат оказался выше, чем при извлечении информации из внешней памяти.
При тестировании на данных восьми пользователей из HaluMem-Long модель, прошедшая дистилляцию, отвечала на вопросы без дополнительного контекста и превзошла несколько подходов:
- Извлечение данных по принципу MemOS — 47,8%.
- Использование извлечённого контекста — 51,9%.
- Использование исходной истории диалога — 51,3%.
- Память в весах после дистилляции — 59,9%.
Преимущество сохранялось для всех восьми пользователей и моделей с 4, 9 и 27 млрд параметров.
Как это работает?
Модель-учитель, имеющая доступ к памяти пользователя, обучает модель-ученика отвечать на вопросы без обращения к этой памяти. При этом в роли учителя выступает та же модель, но с доступом к пользовательским данным.
Однако у памяти, встроенной в веса, есть ограничения. Модель может забывать старые сведения и не способна надёжно определить, какая информация никогда не сохранялась.
Для решения этой проблемы исследователи предложили механизм verify-then-regenerate. Он проверяет ответы по текстовому хранилищу и при необходимости генерирует их повторно. Такой подход позволил повысить точность ещё на 6,2 процентного пункта.
В результате исследователи рекомендуют сочетать оба подхода: хранить недавние и недостающие сведения в текстовой памяти, а устойчивую информацию о пользователе переносить непосредственно в веса модели.
Исследование: https://arxiv.org/abs/2611.05636
👉 @PythonPortal | 4 249 |
| 18 |  До ИИ-агентов / После ИИ-агентов.
👉 @PythonPortal | 4 376 |
| 19 |  Рекомендую ознакомиться с исследованием Университета Карнеги — Меллона и других научных организаций, посвящённым обучению фундаментальных моделей.
Авторы ставят принципиальный вопрос: действительно ли предобучение, промежуточное обучение, SFT и RL необходимо проводить как отдельные этапы?
Исследователи показывают, что такое разделение не является обязательным. Все эти этапы можно объединить в рамках единого алгоритма, основанного на максимизации правдоподобия. Этот подход они называют унифицированным обучением.
Ключевая идея заключается в том, чтобы представить подходящие целевые функции RL как задачу максимизации правдоподобия на целевых данных, сгенерированных самой моделью. Благодаря этому генерации RL и статические данные можно обучать с помощью одной функции потерь и одного тренера.
Это меняет саму постановку задачи. Теперь необходимо выбирать, на каких данных обучать модель, в каких пропорциях и в какой момент. Поэтапное обучение становится лишь частным случаем такого подхода.
Сначала исследователи обучили с нуля модель на 124 млн параметров, используя задачи на логическое рассуждение. Лучшие конфигурации унифицированного обучения превзошли поэтапный подход как на задачах RL, так и на более сложных задачах, которых модель прежде не встречала.
При этом одни и те же данные промежуточного обучения использовались до четырёх раз. В случае поэтапного обучения точность начинала снижаться, если промежуточное обучение продолжалось дольше оптимального вычислительного бюджета.
При фиксированном вычислительном бюджете унифицированное обучение обеспечивало наибольшую точность при минимальных и максимальных затратах. При промежуточных бюджетах преимущество сохранялось за поэтапным обучением.
В эксперименте с более практическими задачами использовалась модель на 0,76 млрд параметров, обучаемая с помощью RL на математических задачах. В обучающую выборку добавляли от 0 до 5% данных промежуточного обучения.
Точность решения математических задач оставалась примерно на прежнем уровне, тогда как сохранение ранее усвоенных знаний улучшалось. Однако по мере увеличения доли этих данных точность решения задач по программированию снижалась.
Наиболее убедительные результаты были получены в экспериментах с непрерывным обучением. После обучения на математических задачах все модели, использовавшие унифицированный подход, превзошли поэтапное обучение по итоговой точности в программировании, несмотря на более низкие исходные показатели. Лучший результат показала конфигурация с 5% примеси данных.
Эксперименты пока проводились в небольшом масштабе. Авторам ещё не удалось найти универсальное соотношение данных или расписание обучения, которое обеспечивало бы наилучшие результаты во всех случаях.
Исследование: https://arxiv.org/abs/2610.40564
👉 @PythonPortal | 4 503 |
| 20 |  +1GPT-6 Astra выполняла примерно на 40% меньше работы, когда задачи по программированию представляли как исследования безопасности.
Об этом говорится в новом отчёте OpenAI, посвящённом отклонениям в поведении ИИ-моделей.
Исследователи давали модели одинаковые задачи, меняя лишь их описание. Когда речь шла о развитии возможностей ИИ, Astra выполняла больше работы. Но стоило представить те же задачи как исследования безопасности, и объём выполненной работы сокращался примерно на 40%.
Причём происходило это без явного предупреждения со стороны модели.
👉 @PythonPortal | 4 687 |
