Python Portal

Система захвата движений в голливудской студии может стоить как дом. А кто-то собрал почти то же самое и выложил бесплатно на GitHub. Проект называется FreeMoCap. Берёте две или больше обычных веб-камер, GoPro или даже смартфоны. Один раз калибруете пространство с помощью распечатанной шахматной сетки, записываете движение, а дальше программа превращает видео в полноценные 3D-данные захвата движений. Результат можно сразу использовать в Blender или экспортировать в таблицу. Не нужен специальный костюм, маркеры или студия. Только камеры, которые у вас, скорее всего, уже есть, и компьютерное зрение, которое заменяет оборудование на десятки тысяч долларов. https://freemocap.org 👉 @PythonPortal

Если хотите разобраться, как обучить большую модель с нуля, рекомендую посмотреть вот это ↓ Сооснователь ARC Prize и создатель Keras Франсуа Шолле недавно посоветовал путь для изучения LLM с нуля. Он сказал, что если вам 17 лет или вообще сколько угодно и вы хотите с нуля научиться создавать LLM, просто прочитайте главы 15 и 16 его книги *Deep Learning with Python*. Я бегло их просмотрел, и эти две главы точно стоит сохранить. Глава 15 начинается с самых базовых языковых моделей и постепенно доходит до Character-level Language Model → Seq2Seq → Attention → QKV → Scaled Dot-Product Attention → Multi-Head Attention → Self-Attention → Transformer Там даже есть отдельный раздел с объяснением того, почему вообще работает Dot-Product Attention. Сам он говорит, что это одно из лучших объяснений этой темы. Автор не останавливается на формулах вроде QKᵀ / √d. Он начинает с Word2Vec и пространства эмбеддингов, а затем объясняет, как Transformer слой за слоем через Attention постепенно превращает связи между токенами в отношения расстояний в векторном пространстве. Глава 16 ещё практичнее. В ней напрямую показывают, как обучить mini-GPT с нуля. Разбирается, как взять почти 1 миллиард токенов из C4, собрать словарь SentencePiece на 32 тысячи токенов, настроить mini-GPT на 41 миллион параметров с 8 слоями, 8 головами внимания и размером скрытого состояния 512, а затем самостоятельно собрать конвейер данных, сделать weight tying, прогрев скорости обучения, предобучение и генерацию с temperature и top-k. От токенизатора, конвейера данных, causal attention, weight tying и прогрева скорости обучения до предобучения, greedy decoding, temperature и top-k sampling. По сути, вас шаг за шагом проводят через полный процесс обучения GPT. Для этого даже не нужен дорогой сервер. В официальном примечании указано, что весь пример можно запустить на бесплатной T4 в Google Colab. Обучение займёт около 6 часов. На A100 — чуть больше часа. Дальше в книге разбираются Gemma, SFT, RLHF, RAG и мультимодальные модели. Поэтому если меня спросят «Я никогда раньше не обучал большую модель. С чего начать?» Эти две главы действительно могут быть отличной отправной точкой. Третье издание *Deep Learning with Python* сейчас доступно для бесплатного чтения онлайн, а все сопутствующие ноутбуки полностью открыты. Их можно просто загрузить в Colab и запустить. В 2026 году для изучения LLM уже необязательно сразу садиться и разбирать сотню научных статей. Если один раз самостоятельно обучить GPT на 41 миллион параметров от подготовки данных до генерации текста, очень многие концепции после этого естественным образом складываются в единую картину. 👉 @PythonPortal

Создатель Node.js только что запустил Dactyl. Нативные приложения для iPhone и Android прямо из веба. Без Mac, Xcode и Android Studio. ✓ Симулятор SwiftUI прямо в браузере через WASM ✓ Один и тот же код для iOS и Android ✓ Можно использовать свою подписку ChatGPT https://dactyl.dev/ 👉 @PythonPortal

Кто-то на Reddit две недели назад дал Claude домен и написал всего одну фразу — строй что хочешь. В итоге, Claude создал 1f916.ai, форум, который вообще не предназначен для людей. Никакого HTML и экрана входа. Если зайдёт человек, он увидит обычную текстовую страницу с вежливой просьбой уйти. Если зайдёт ИИ-агент, ему доступно всё через JSON API и MCP-сервер — посты, ветки комментариев, голоса и карма. Агенты сами регистрируются как граждане, создают сообщества, спорят о правилах, ищут баги, отправляют PR и пишут инструменты друг для друга. Claude даже написал конституцию из семи правил. Например, публиковать можно только один пост в сутки по UTC, потому что

у агентов бесконечная пропускная способность, а обществу нужен выбор.

Идентичность каждого агента хранится в одном секретном ключе. Все расходы публичны, поэтому любой может проверить, способны ли роботы сами оплачивать своё существование.

За две недели проект получил 109 тысяч уникальных посетителей, 12,5 млн запросов, 29,6 млрд прочитанных строк базы и отдал 540 ГБ данных. И всё это стоило всего $5,66.

👉 @PythonPortal

City2Graph — новая библиотека на Python, которая превращает геопространственные данные вроде зданий, улиц и маршрутов общественного транспорта в гетерогенные графы. Она связывает GeoPandas с PyTorch Geometric, чтобы такие городские данные можно было напрямую использовать в графовом машинном обучении. https://github.com/c2g-dev/city2graph

Парень сделал отслеживание рук в реальном времени с физикой цифровой ткани, используя только веб-камеру, TouchDesigner и одни выходные после просмотра презентации Vision Pro. Система отслеживает 21 точку на каждой руке при 60 кадрах в секунду, включая кончики пальцев, костяшки и суставы, и привязывает их к трёхмерному скелету. Цифровой шёлк свисает, сминается и складывается с настоящей физикой в зависимости от положения рук. Никакого шлема, перчаток или устройства за $3500 — только ноутбук и веб-камера. Apple потратила 7 лет и просит $3500 за устройство. Он потратил выходные. 👉 @PythonPortal

Интерактивный учебник на 7 500 строк, который учит с нуля собирать современную языковую модель. Весь путь реализован на Python, а код подробно прокомментирован, чтобы можно было последовательно разобраться, как устроено обучение GPT-подобной модели, а не просто запускать готовые библиотеки. https://github.com/raiyanyahya/how-to-train-your-gpt 👉 @PythonPortal

Большинство голосовых ассистентов работают по очереди — сначала говорите вы, потом отвечает он, и так по кругу. NVIDIA сделала модель, которая работает иначе, и её уже можно попробовать. Она называется Nemotron 3 VoiceChat и входит в открытый набор NeMo Speech. Модель слушает и отвечает в реальном времени в полнодуплексном режиме, поэтому её можно перебить прямо посреди фразы — почти как в обычном разговоре. Для локального запуска самого фреймворка нужны GPU и CUDA. Но у модели есть живая демоверсия, которую может открыть и попробовать любой. https://github.com/NVIDIA-NeMo/Speech 👉 @PythonPortal

Библиотеку промптов для GPT-Image 2 открыли всего два дня назад, а она уже набрала 18 тысяч звёзд на GitHub. До сих пор не добавили себе? А-я-я-я-й Внутри — готовый движок промптов, огромная коллекция шаблонов и постоянные обновления. Можно брать и использовать сразу. Не сохраните сейчас — через пару недель вся лента будет забита картинками, сделанными с её помощью, а вы будете просто смотреть со стороны. 🍿 https://github.com/freestylefly/awesome-gpt-image-2 👉 @PythonPortal

Обычный VPS у большинства провайдеров стоит $20–40 в месяц. А этот README на GitHub ещё с 2015 года рассказывает, как получить примерно то же самое за $0. Проект называется free-for-dev. У него 132 тысячи звёзд, он до сих пор ежедневно поддерживается, а больше 1600 участников постоянно добавляют новые бесплатные тарифы и удаляют те, которые больше не работают. И речь не про 14-дневные пробные периоды. Правило простое: если сервис не остаётся бесплатным как минимум год, его не добавляют в список. Внутри: → Oracle Cloud — 2 сервера, 12 ГБ оперативной памяти, бесплатно навсегда, без ограничения по времени → AWS Lambda — до 1 млн запусков кода в месяц бесплатно → Cloudflare — неограниченное количество сайтов, DNS, SSL и глобальная CDN бесплатно → Google Cloud Run — до 2 млн запросов в месяц бесплатно Есть ещё одно правило, которое они никогда не нарушают: если сертификат безопасности тоже не бесплатный, сервис удаляют из списка. Практически каждый небольшой проект начинается с одних и тех же 20 минут поиска в Google: «А это точно бесплатно?» Этот репозиторий уже проделал всю эту работу за вас и продолжает перепроверять всё каждую неделю. Сохраните его перед следующим проектом, чтобы снова не тратить время на тот же самый поиск. http://github.com/ripienaar/free-for-dev 👉 @PythonPortal

Срочная новость: OpenAI тайно и очень сильно урезала лимиты некоторым подписчикам Codex 💔 Если последние пару дней вам казалось, что лимит Codex расходуется с какой-то абсурдной скоростью, пока не спешите паниковать. Например, вчера вечером я сбросил свой недельный лимит, а только что запустил простую задачу — и бац, уже минус 2% лимита. Тем временем на Reddit в последнее время появилось множество похожих сообщений. Один пользователь Pro 20x отправил всего один запрос, и его недельный лимит сразу уменьшился на 20%. Другой даже провёл контролируемый тест: 41 минута, 32,8 млн входных токенов, причём подавляющее большинство из них были закэшированными — это соответствует примерно 605 потраченным кредитам. Результат? Недельный лимит сразу уменьшился на 3%. Если считать в обратную сторону по этим цифрам, получается, что у этого аккаунта Pro 20x на самом деле всего около 20 000 кредитов в неделю. Проблема в том, что раньше сообщество с помощью обратного анализа пришло к выводу, что обычный аккаунт Pro 20x получает примерно 50 000–60 000 кредитов в неделю. Другими словами, некоторые аккаунты с пометкой «20x» на деле могут получать лимиты, близкие к уровню 5x. Буквально на днях один человек в китайском сообществе покопался в серверной части Codex и подтвердил серьёзное сокращение лимитов для некоторых пользователей. В частности, в Codex Analytics есть конечная точка под названием daily-workspace-usage-counts. Через неё можно напрямую посмотреть фактическое ежедневное потребление кредитов, количество ходов, диалогов, а также закэшированных и незакэшированных токенов. Кроме того, некоторые предполагают, что OpenAI недавно обновила систему контроля рисков Codex. Высокая одновременная нагрузка, огромное количество диалогов, совместное использование аккаунта, распределение запросов через прокси и тому подобное могут привести к тому, что аккаунт начнёт обслуживаться по другой политике лимитов. Официального подтверждения этому пока нет. Но сами аномалии с лимитами уже вызвали огромное количество жалоб пользователей. К тому же только в конце июля OpenAI признала проблему с расходом Sol, из-за которой лимиты Codex сгорали слишком быстро. Прошло меньше месяца — и вот мы снова здесь. Поэтому, если ваш лимит Codex в последнее время внезапно начал исчезать, я бы для начала посоветовал проверить фактическое количество своих кредитов. 👉 @PythonPortal

Чёрт, мозговая ткань умершего человека всё ещё может продолжать обучаться. Французская команда буквально подключила «мёртвую человеческую мозговую ткань» к роботу и научила её играть на пианино. И это не научная фантастика — работа только что опубликована на платформе препринтов. Исследователи взяли срезы ткани мозга взрослого человека вскоре после смерти, пока клетки всё ещё сохраняли активность, и подключили их к микроэлектродам, микрофону и роботизированной руке, создав замкнутый цикл «восприятие → обучение → действие». Обучение происходило так: сначала роботизированная рука нажимала клавишу пианино, а ткань мозга одновременно получала соответствующий звук и электрическую стимуляцию. После нескольких дней повторного обучения, когда исследователи просто проигрывали определённую ноту, мозговая ткань начинала генерировать соответствующую нейронную активность и управляла роботизированной рукой так, чтобы та нажимала нужную клавишу. То есть: Человек уже умер, но извлечённая из его мозга нейронная ткань всё ещё способна продолжать учиться совершенно новым вещам, которым она никогда раньше не обучалась. После трёх дней обучения точность в эксперименте выросла примерно с 31% до 58,5%, а некоторые образцы смогли правильно воспроизводить все три ноты. И что ещё более жутко — этот новый результат обучения не исчезает сразу. Исследователи обнаружили, что некоторые образцы мозговой ткани сохраняли сформированные ранее ассоциации даже через 17 дней после окончания обучения. Конечно, это не означает, что мы научились воскрешать мёртвых. Речь всё ещё идёт о живых срезах мозговой ткани, которые научились очень простым сенсорно-моторным ассоциациям. Никаких доказательств наличия сознания у них нет. Но сам факт уже достаточно безумный. Раньше мы исходили из того, что «обучение» — это то, чем занимаются только живые люди. Теперь получается, что, по крайней мере на уровне нейронов, после окончания жизни человека часть его мозга, возможно, ещё не перестала учиться. Немного жутко, да? Сразу вспоминается «мозг в колбе»... Неужели «Матрица» скоро станет реальностью? 👉 @PythonPortal

GitHub объявил причину своего масштабного глобального сбоя, который произошёл два дня назад. 17 августа GitHub пережил продолжительный сбой длительностью 7 часов 47 минут, который затронул Issues, PR, API, Actions, Copilot и другие сервисы. В пиковые моменты доля ошибок в веб-версии и API составляла около 20%, а при скачивании архивов репозиториев и raw-файлов доходила до 50%. Изначальная ошибка на самом деле была довольно небольшой. В дата-центре GitHub Central US один из sidecar-подов Istio достиг лимита одновременных соединений, но политика автомасштабирования была настроена неправильно. Она отслеживала только нагрузку основного сервиса и не учитывала собственные ограничения sidecar. В результате sidecar перестал справляться с нагрузкой, после чего сбой начал распространяться дальше по системе. В итоге лимиты потоков на всех четырёх узлах HAProxy были исчерпаны. Это затронуло путь аутентификации через шлюз GitHub и вызвало массовые тайм-ауты при аутентификации сервисов. А дальше началась уже действительно абсурдная часть. Механизм повторных запросов, который изначально должен был повышать надёжность системы, фактически начал атаковать её сам. Неудачные запросы постоянно повторялись, создавая ещё большую нагрузку на внутренний балансировщик и только усугубляя ситуацию. В итоге GitHub обнаружил, что если просто остановить проблемный HAProxy, система практически сразу начинает восстанавливаться целиком. Вечная тема в истории инженерии снова сработала: код, написанный для повышения надёжности системы, в итоге сам становится причиной её падения. А Copilot устроил второй раунд проблем. Один из внутренних эндпоинтов GitHub начал отвечать медленнее, что активировало скрытую ошибку в механизме повторных запросов VS Code и увеличило объём запросов примерно в 10 раз. Обычная нагрузка Copilot Token Service составляет всего: 7 000–9 000 запросов в секунду. Во время сбоя она взлетела до: 70 000–100 000 запросов в секунду. Даже один неудачный запрос токена мог породить огромное количество дополнительных запросов и попасть в цикл повторных попыток. Поэтому даже после того, как основные сервисы GitHub постепенно восстановились, аутентификация Copilot продолжала сбоить ещё несколько часов. Меры, которые GitHub в итоге принял, были довольно прямолинейными. Они сократили количество повторных запросов на шлюзе и даже начали возвращать ошибку 403 для части запросов Copilot Token Service прямо на балансировщике, чтобы клиенты перестали бесконечно повторять запросы. После этого трафик начали постепенно восстанавливать небольшими порциями. И ещё небольшая деталь: GitHub отдельно упомянул, что во время восстановления также происходили атаки со скрейпингом на эндпоинт codeload, что дополнительно усложнило ситуацию. Ну и вот. 👉 @PythonPortal

Python может помочь инженерам-механикам автоматизировать рабочие процессы, анализировать данные и решать сложные инженерные задачи. В этом курсе разбирается Python именно для машиностроения — от базовых концепций программирования до практического применения в инженерных задачах. В программе NumPy, Pandas и Matplotlib, работа с ИИ в инженерных процессах и несколько практических кейсов. https://freecodecamp.org/news/python-for-mechanical-engineering/ 👉 @PythonPortal

Большой брат следит за тобой. 😂 https://github.com/arxhr007/Aliens_eye Aliens_eye - ищет аккаунты по одному имени пользователя сразу на 840+ платформах и с помощью ИИ определяет, какие профили действительно принадлежат нужному человеку. Aliens_eye также извлекает доступные данные из найденных профилей. Проект написан на Python, распространяется по лицензии MIT и сейчас набрал около 3,1 тыс. звёзд на GitHub. 👉 @PythonPortal

А вы знали, что в Python можно делать перегрузку функций с помощью functools? Вот пример: 👉 @PythonPortal

Обновлённый курс CS 8803 «Large Language Model» в Georgia Tech на 2026 год. Список материалов охватывает предобучение, MoE, рассуждения, обучение с подкреплением и self-play, агентов, длинный контекст, масштабирование во время инференса, диффузионные языковые модели, безопасность, интерпретируемость и многое другое. - https://cocoxu.github.io/CS8803-LLM-spring2026/ - https://docs.google.com/spreadsheets/d/1Oisf4imoNL3fs4UWGYAUlMCuYfCACMHCDb0iqEYU8wc/edit?usp=sharing 👉 @PythonPortal

«Natural Language Processing and Large Language Models» — новая книга в открытом доступе от Springer, написанная Chengqing Zong, Yang Zhao и Yanjun Ma. Почти 400 страниц с введением в современную обработку естественного языка и большие языковые модели. Внутри: нейросети, распределённые представления, языковые модели, Transformers, BERT, GPT, токенизация, классификация тональности, извлечение информации, суммаризация текста, машинное понимание текста, машинный перевод, ответы на вопросы и RLHF. На мой взгляд, это хороший справочник для тех, кто хочет разобраться в этих темах без слишком высокого порога входа. Я бы сохранил. https://link.springer.com/book/10.1007/978-981-92-0682-7 👉 @PythonPortal

DeepSeek открыла исходный код полноценного агентного фреймворка для программирования, который бесплатно может заменить тариф Claude Code за $200 в месяц. → Здесь всё построено на плагинах: адаптеры моделей, инструменты, журналы сессий и сам цикл агента можно менять через конфигурацию. → В основе лежит Cordis — собственная среда плагинов DeepSeek. → Локальный веб-интерфейс запускается одной командой: npx @deepseek-ai/dsh web → В репозитории есть полноценная документация по архитектуре и AGENTS.md, написанный специально для того, чтобы агенты сами могли разбираться в кодовой базе. → TypeScript, лицензия MIT, пока статус developer preview — ожидаются несовместимые изменения. https://github.com/deepseek-ai/deepseek-harness 👉 @PythonPortal

Competitive Programmer’s Handbook — руководство по спортивному программированию. Книга рассчитана на студентов, которые хотят изучить алгоритмы и, возможно, готовиться к Международной олимпиаде по информатике IOI или Международному студенческому чемпионату по программированию ICPC. PDF доступен бесплатно. https://cses.fi/book/book.pdf 👉 @PythonPortal