Python Portal

В CPython ускорили reference counting В CPython основа управления памятью это reference counting: у каждого объекта есть счётчик ссылок, и при каждом “взял/отпустил” он инкрементится/декрементится. В цикле, который крутится очень много раз, это превращается в ощутимый оверхед и лишние записи в память (да, даже чтение переменной = запись из-за refcount). С Python 3.14 добавили новую байткод-инструкцию: LOAD_FAST_BORROW. Что меняется: - раньше LOAD_FAST грузил локалку и поднимал refcount - теперь LOAD_FAST_BORROW грузит локалку без инкремента - есть ещё “склеенные” опкоды типа LOAD_FAST_BORROW_LOAD_FAST_BORROW (две загрузки за один opcode) Зачем это нужно: - меньше дергаем refcount в hot-path - меньше мусора в CPU cache - быстрее на циклах, где ты постоянно читаешь одни и те же локальные переменные Но оптимизация включается не всегда. CPython применяет её только когда может доказать безопасность через статический анализ времени жизни (по CFG): - значение используется “локально” и быстро потребляется - не утекает в heap/генераторы/кадры - источник не перезаписывается так, чтобы сломать “borrow” Это похоже на упрощённые Rust lifetimes/borrowing, только на уровне байткода. 👉 @PythonPortal

AI → JSON → UI: представили json-render UI, который генерит ИИ. Выход детерминированный. 1. Определяешь каталог компонентов 2. ИИ стримит JSON 3. Рендеришь интерактивный UI Пользователь может по промпту собирать дашборды, виджеты и целые мини-приложения, но в пределах тех компонентов и экшенов, которые ты заранее разрешил. И это вышло в опенсорс. 👉 @PythonPortal

Разработчик поделился приятной находкой: сделали утилиту на Python с открытым кодом для офлайн-транскрибации аудио. Назвали Buzz. Поддерживает аудио, видео, YouTube-линки и даже микрофон. На выход можно получить текст в txt, srt или vtt. Всё работает локально, без отправки куда-то на сервера. Исходники лежат тут 🤪 👉 @PythonPortal

Мы рады представить Pocket TTS — text-to-speech модель на 100 млн параметров с качественным голосовым клонированием, которая запускается прямо на ноутбуке без GPU. Открытая, лёгкая и очень быстрая.

— так представили новую text-to-speech модель 😁 Проблема текущего TTS: ❌огромные LLM-модели (1B+ параметров) требуют GPU ❌маленькие модели типа Kokoro (82M) быстрые, но не умеют гибко клонировать голос Pocket TTS закрывает этот разрыв. Она работает быстрее реального времени на обычном ноутбучном CPU, сохраняя мощность крупных моделей. Настоящее голосовое клонирование: Pocket TTS нужно всего 5 секунд аудио, чтобы уловить: ✅тембр конкретного голоса ✅ эмоцию и акцент ✅акустические условия (реверб, качество микрофона) Можно использовать их библиотеку голосов или клонировать голос из крошечного сэмпла. Цифры это подтверждают. Несмотря на размер (100M параметров), Pocket TTS обходит F5-TTS и DSM по Word Error Rate (1.84) и по Audio Quality ELO. Это единственная модель в своём классе, которая умеет клонировать голос и при этом спокойно работает на CPU. Как это удалось? Они отказались от дискретных токенов. Pocket TTS построена на Continuous Audio Language Models (CALM) и предсказывает последовательности непрерывных латентов напрямую, используя одношаговый sampling (Lagrangian Self-Distillation). CALM paper: … Опенсорсный и доступный всем. Обучен на 88 тысячах часов публичных английских данных, что позволяет воспроизвести результаты. 👉 @PythonPortal

😅😅😅 👉 @PythonPortal

Ускорение процесса решето Эратосфена 1. Быстро вспомним алгоритм Классическая реализация:

def eratosthenes(n):
    is_prime = [True] * (n + 1)
    is_prime[0] = is_prime[1] = False

    for i in range(2, int(n ** 0.5) + 1):
        if is_prime[i]:
            for j in range(i * i, n + 1, i):
                is_prime[j] = False

    return is_prime

Время — O(N log log N). Нас будет интересовать не асимптотика, а то, насколько можно ускорить чисто реализацией. 2. Оптимизация №1 — не трогаем чётные числа Идея простая: * все чётные, кроме 2, составные * если работаем только с нечётными, уменьшаем массив и количество итераций примерно вдвое Реализация:

def eratosthenes_odd(n):
    if n < 2:
        return []

    size = (n + 1) // 2
    is_prime = [True] * size
    is_prime[0] = False

    limit = int(n ** 0.5) // 2
    for i in range(1, limit + 1):
        if is_prime[i]:
            p = 2 * i + 1
            start = (p * p) // 2
            for j in range(start, size, p):
                is_prime[j] = False

    return is_prime

3. Оптимизация №2 — вместо list[bool] использовать bytearray Мысль: * bool в Python — это объект * bytearray — плотно упакованный буфер * меньше накладных расходов и лучше ложится в CPU cache Пример:

def eratosthenes_bytearray(n):
    is_prime = bytearray(b"\x01") * (n + 1)
    is_prime[0:2] = b"\x00\x00"

    for i in range(2, int(n ** 0.5) + 1):
        if is_prime[i]:
            for j in range(i * i, n + 1, i):
                is_prime[j] = 0

    return is_prime

4. Оптимизация №3 — гибрид двух подходов

def eratosthenes_fast(n):
    if n < 2:
        return []

    size = (n + 1) // 2
    is_prime = bytearray(b"\x01") * size
    is_prime[0] = 0

    limit = int(n ** 0.5) // 2
    for i in range(1, limit + 1):
        if is_prime[i]:
            p = 2 * i + 1
            start = (p * p) // 2
            is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)

    return is_prime

5. Сравнение по времени Тест на входе n = 10_000_000:

>>> eratosthenes.py
real  0.634s

>>> eratosthenes_odd.py
real  0.245s

>>> eratosthenes_bytearray.py
real  0.801s

>>> eratosthenes_fast.py
real  0.028s

Выводы: * пропуск чётных (№1) даёт ~2.6× ускорение * bytearray (№2) сам по себе не ускоряет — это больше про память * гибрид (№3) даёт ~22.6× ускорение Ключевой приём в №3:

is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)

Здесь нет Python-цикла — всё делает C-уровневая операция над слайсом. На таких задачах это огромная разница. Общая мысль: в Python чаще всего ускоряют не асимптотику, а модель памяти и количество проходов по данным. Циклы + память → главные факторы. 👉 @PythonPortal

Лучшие библиотеки Python 2026 года Общего назначения ▪️ty — сверхбыстрый type checker нового поколения ▪️complexipy — измеряет сложность кода так, как её чувствует человек ▪️Kreuzberg — извлечение данных из 50+ форматов ▪️hrottled-py — rate limiting с 5 алгоритмами ▪️httptap — HTTP waterfall прямо в терминале ▪️ fastapi-guard — безопасность FastAPI без боли ▪️modshim — расширяй модули без monkey-patching ▪️Spec Kit — спецификации → рабочий код ▪️Skylos — dead code + уязвимости ▪️FastOpenAPI — OpenAPI для любого фреймворка AI / ML / Data ▪️MCP Python SDK + FastMCP — стандарт интеграции LLM с инструментами ▪️TOON — JSON, оптимизированный под токены ▪️ Deep Agents — агенты с планированием и памятью ▪️ smolagents — агенты, которые думают кодом ▪️ LlamaIndex Workflows — event-driven AI workflows ▪️ Batchata — дешёвые batch-запросы к LLM ▪️ MarkItDown — любые файлы → Markdown ▪️ Data Formulator — анализ данных через natural language ▪️ LangExtract — точное извлечение сущностей из текста ▪️ GeoAI — ML + геоданные без боли Детально, с примерами и разбором — в полной статье 👉 @PythonPortal

Где получить навыки, для старта карьеры в ИТ? Развивайтесь в аналитике и разработке на бесплатной программе от экспертов из Т-Банка. В Т-Академии вы погрузитесь в решение практических задач, схожих с теми, над которыми работают в крупных ИТ-компаниях. А еще: — онлайн-обучение в удобное время; — нагрузка от 14 часов в неделю — можно совмещать с учебой или работой; — мастер-классы, экскурсии в офисы и встречи в ИТ-хабах; — чат с обсуждением заданий. В процессе обучения участники получат шанс пройти собеседование в Т-Банке. Успейте подать заявку до 23 января

Каждый раз, когда я узнаю что-то новое в области технологий, в отрасли появляется еще три новых вещи, которые нужно изучить. 👉 @PythonPortal

Совет по Python: Можно сделать поля dataclass неизменяемыми, указав frozen=True. В таком случае поля нельзя мутировать после создания инстанса. Пример ниже👇

from dataclasses import dataclass

@dataclass(frozen=True)
class Color:
    name: str
    hex_value: str

color = Color("red", "#FF0000")

# color.name = "blue"  # выбросит FrozenInstanceError

👉 @PythonPortal

Сейчас ИИ-инструменты уже умеют читать сообщения, размышлять над ними и сами дергать нужные функции. Для сборки таких связок есть LangChain — популярный фреймворк, который позволяет подружить языковые модели, инструменты и приложения. В этом туториале показывают, как собрать и задеплоить своего ИИ-агента на связке LangChain, FastAPI и Sevalla. 👉 @PythonPortal

кресло для программирования против кресла для отладки. 👉 @PythonPortal

Эти Google Colab-ноутбуки помогают реализовать все алгоритмы машинного обучения с нуля 🤯 👉 @PythonPortal

4 парадигмы обучения в машинном обучении, объяснённые визуально: 1. Transfer Learning 2. Fine-tuning 3. Multi-task Learning 4. Federated Learning 👉 @PythonPortal

😆😆😆 👉 @PythonPortal

Научная фантастика, на которой мы выросли, становится реальностью в 2026 году 👀 👉 @PythonPortal

А что если обучать AI-агентов на обычном ноуте было бы так же просто, как на GPU-кластере? Команда из UIUC U Lab под руководством проф. Jiaxuan You выложила в опенсорс OpenTinker. Это новая система формата Reinforcement-Learning-as-a-Service (RLaaS), которая разбивает тяжелый RL-пайтлайн на простые распределенные сервисы с удобными API. Итог — снимает большую часть инженерных болячек вокруг RL, обгоняя классические фреймворки по доступности и простоте деплоя, наконец-то делая обучение агентов реалистичным вариантом для обычных разработчиков и команд. Project: https://open-tinker.github.io/opentinker-page/ Code: https://github.com/open-tinker/OpenTinker U Lab: https://github.com/ulab-uiuc 👉 @PythonPortal

Tailwind уволила 75% своего персонала, потому что почти никто их не поддерживает. В отчаянной попытке избежать банкротства они выпустили свой фильм в кинотеатрах. Честно говоря, вы бы заплатили, чтобы посмотреть его? 😆 👉 @PythonPortal

Эта новая графовая БД в 496 раз быстрее Neo4j! Давайте разберем почему: Классическая графовая БД хранит две вещи: узлы (entities) и ребра (relationships между ними). Когда вы делаете запрос в классическую графовую БД, она делает обход через pointer chasing: → стартуем с узла → переходим по указателю к связанному узлу → еще один указатель → и так далее Это по своей природе последовательный процесс. Один hop за раз. И по мере роста графа это становится болезненно медленным. FalkorDB задает другой вопрос: А что если представить весь граф как матрицу? Как это работает: Представьте обычную таблицу. Строки — source nodes, колонки — destination nodes. Если Mary подписана на Bob, ставим в позицию [Mary, Bob] = 1. Все. Весь граф теперь это матрица из 1 и 0. Назовем ее матрицей Follows (F). Дальше интереснее: Хотите узнать на кого подписаны друзья Mary? В классической графовой БД вам нужно сделать два перехода: Mary → друзья → друзья друзей. Но с матрицами вы просто умножаете матрицу Follows саму на себя: F × F = F². Это одна операция — и готово! А более сложный паттерн вида “A follows B, B likes C” превращается в: Follows × Likes. То есть traversal можно выразить через математику. Почему это важно: - матричные операции оптимизируются уже больше 50 лет - современное железо (CPU/GPU) заточено под матрицы - операции выполняются параллельно (pointer chasing не может) Плюс есть еще несколько оптимизаций (например sparse matrices, реализация на C и т.д.), и все это делает FalkorDB в 496 раз быстрее Neo4j. График на фото это хорошо показывает. Классические графовые БД идут через Cypher QL → Pointer-Based Traversal, а FalkorDB использует Matrix-Aware Planner, который превращает запросы в матричные операции. FalkorDB полностью строится на этом принципе: - нативный модуль Redis (in-memory и очень быстрый) - использует GraphBLAS для sparse matrix вычислений - автоматически транслирует Cypher-запросы в матрическую алгебру Это важная тема для AI-приложений, потому что… Современным AI-агентам и RAG-системам нужно обходить сложные связи в реальном времени. Когда агент делает reasoning через knowledge graph, связывая пользователей, действия и результаты — каждая миллисекунда задержки складывается. Vector DBs ловят семантическую близость. Но они не держат явных связей. Knowledge graphs закрывают эту дыру. И когда вашему агенту нужно делать multi-hop reasoning по тысячам связанных сущностей, матричный traversal упрощает масштабирование AI-приложения без проблем с задержками. FalkorDB полностью open-source, вы можете посмотреть реализацию на GitHub и попробовать сами. Ссылка на GitHub-репозиторий 👉 @PythonPortal

VS Code прокачали и завезли Agent Skills - открытый стандарт от Anthropic для расширения AI-агентов специализированными возможностями. Работает с Claude Code и скоро будет поддержка Cursor. 👉 @PythonPortal