Python Community
Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission
Mostrar más📈 Análisis del canal de Telegram Python Community
El canal Python Community (@python_community_ru) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 11 491 suscriptores, ocupando la posición 10 861 en la categoría Tecnologías y Aplicaciones y el puesto 55 560 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 11 491 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 -64, y en las últimas 24 horas de -2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 5.26%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.34% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 605 visualizaciones. En el primer día suele acumular 269 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 1.
- Intereses temáticos: El contenido se centra en temas clave como docker, git, github, контейнер, await.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Python Community RU - СНГ сообщество Python-разработчиков
Чат канала: @python_community_chat
Сотрудничество: @cyberJohnny и @Sergey_bzd
РКН реестр:
https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission”
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.
Cargando datos
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 15 noviembre | 0 | |||
| 14 noviembre | +1 | |||
| 13 noviembre | +1 | |||
| 12 noviembre | +1 | |||
| 11 noviembre | 0 | |||
| 10 noviembre | 0 | |||
| 09 noviembre | +2 | |||
| 08 noviembre | +1 | |||
| 07 noviembre | +2 | |||
| 06 noviembre | +1 | |||
| 05 noviembre | +1 | |||
| 04 noviembre | +2 | |||
| 03 noviembre | 0 | |||
| 02 noviembre | +1 | |||
| 01 noviembre | 0 |
| 2 | 4 800 аккаунтов и 61 764 репозитория. Что произошло на GitHub
10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.
Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.
https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/
@Python_Community_ru | 345 |
| 3 | Можно ли научить нейросеть принимать торговые решения на финансовом рынке?
Финансовые рынки генерируют огромные объёмы данных, но как превратить их в торговые сигналы? Можно ли обучить нейросеть анализировать рыночные показатели, находить закономерности и формировать решения о покупке или продаже активов?
18 ноября в 20:00 МСК на открытом вебинаре OTUS разберём, как объединить технический анализ и машинное обучение, построить нейросетевую торговую стратегию на Python и проверить её эффективность на исторических данных.
На практике рассмотрим:
— как использовать технические индикаторы RSI, MACD, Bollinger Bands и скользящие средние для анализа рынка;
— как загружать и подготавливать исторические биржевые данные для машинного обучения;
— как преобразовать рыночные показатели в признаки для обучения нейронной сети;
— как построить ML-модель, которая анализирует состояние рынка и формирует торговые сигналы;
— как провести backtesting стратегии и сравнить результаты нейросети с классическим подходом на основе скользящих средних.
После вебинара вы поймёте, как применять машинное обучение к финансовым данным, сможете разобраться в принципах построения нейросетевых торговых стратегий и узнаете, как оценивать их результаты на исторических данных.
Вебинар будет полезен Data Scientists, ML-инженерам, аналитикам и разработчикам, которые знакомы с Python и хотят изучить практическое применение нейросетей в алгоритмической торговле.
Урок проходит в преддверии старта курса «Машинное обучение для финансового анализа».
Регистрируйтесь: https://vk.cc/d3SjsR
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576 | 370 |
| 4 | В Python 3.15 появился профилировщик, который можно подключить к уже работающему процессу
Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.
В отличие от cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.
Запустить скрипт с профилированием:
python -m profiling.sampling run app.py
Подключиться к уже работающему процессу по PID:
python -m profiling.sampling attach 12345
Можно даже наблюдать за результатами в реальном времени:
python -m profiling.sampling attach --live 12345
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
python -m profiling.sampling run --flamegraph app.py
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать timeit или трассирующие профилировщики.
Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-python
@Python_Community_ru | 377 |
| 5 | 🌟 Zyphra опубликовала компактную TTS-модель
ZONOS3-Mini (https://www.zyphra.com/our-work/zonos3-mini) синтезирует речь и клонирует голос по образцу, рассчитана на использование в реальном времени на телефонах, ноутбуках и браузере.
Модель копирует голос по записи длиной до минуты, но также можно собрать новый, задав возраст, акцент и тембр. Эмоции, темп и подачу можно настраивать вплоть до отдельных слов.
Поддерживается девять языков, среди них английский, китайский, японский, немецкий, испанский и французский, русского нет.
🟡Архитектура
Под капотом MoE на 800 млн общих при 100 млн активных параметров, где из 64 экспертов на каждом шаге включаются два.
Из 11 слоёв девять построены на Gated DeltaNet и два на обычном глобальном внимании.
Звук кодирует собственный кодек ZAC-1 с частотой 15 кадров в секунду.
🟡Тесты
Задержка до первого звука в браузере на Pixel 9 меньше 570 мс, на MacBook Air с M3 меньше 150 мс, а на одной H100 при восьми одновременных запросах в среднем 80 мс.
Пиковая выработка на той же H100 - 457 секунд звука за секунду.
По внутреннему бенчмарку ZTTS2-Eval, новинка занимает первое место среди открытых моделей, за ней идут Fish S2 Pro и MOSS TTS v1.5.
Модель запускается в браузере через WebGPU, классическим путём с SGLang и vLLM, на Mac через MLX и на обычных процессорах через ggml.
По API в облаке Zyphra Inference она стоит (https://www.zyphra.com/models/zonos3-mini) 10 долларов за мегабайт текста, лимиты - один запрос за раз и 100 генераций в сутки.
📌Лицензирование: Apache 2.0
🟡Блогпост (https://www.zyphra.com/our-work/zonos3-mini)
🟡Веса (https://huggingface.co/Zyphra/ZONOS3-Mini)
🟡Демо (https://cloud.zyphra.com/audio-playground?modelId=zyphra%2FZONOS3-Mini)
🖥GitHub (https://github.com/Zyphra/ZONOS3-Mini)
@ai_machinelearning_big_data
#AI #ML #TTS #ZONOS3 #Zyphra
@Python_Community_ru | 399 |
| 6 | 🖥️ ИИ нашёл 418 ошибок в CPython, формализовав его на Lean
Исследователи использовали Claude Opus 5.5, чтобы переписать части CPython на Lean - языке программирования для математически проверяемых доказательств.
Масштаб проекта: 613 318 строк Lean, 1 539 файлов и 18 898 теорем и лемм.
Каждую функцию сравнивали с настоящим Python минимум на 50 000 входных данных, а затем проверяли математическими доказательствами и независимыми ИИ-агентами.
Результат: обнаружено 418 ошибок CPython. Около 55 из них могут приводить к падению интерпретатора или повреждению памяти.
Среди найденных проблем:
- dict.setdefault() в определённых сценариях вызывает Segmentation Fault.
- Операции с XML-элементами могут повреждать память.
- Некоторые функции на C и Python возвращают разные результаты.
Есть важный нюанс: математическое доказательство подтверждает корректность формальной модели, но не гарантирует, что сама модель точно повторяет исходный код. Поэтому исследователи дополнительно сравнивают её с реальным CPython.
Пока проверена только часть проекта: 4 071 из 26 004 функций (15,7%).
Проект: https://broyojo.com/python-formalization/
Код: https://github.com/Broyojo/python-formalization
@Python_Community_ru | 435 |
| 7 | Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине.
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
@Python_Community_ru | 446 |
| 8 | 🖥️ Python: 4 проекта недели, которые стоит добавить в закладки
В свежем дайджесте Python Hub несколько интересных новинок для Python-разработчиков, Data Engineers и ML-инженеров.
1. SQLBuild - SQL-трансформации с проверками на этапе компиляции
Новый open-source фреймворк для построения SQL и Python-пайплайнов. Проверяет ссылки на таблицы, типы колонок и контракты ещё до выполнения запросов. Поддерживает end-to-end тестирование и безопасное переименование таблиц без потери истории.
Интересная деталь: компилятор и планировщик написаны на Rust, а выполнение задач и расширения используют Python.
GitHub: https://github.com/sqlstack-io/sqlbuild
2. TorchTPU - PyTorch теперь работает нативно на Google TPU
Совместный проект Google и Meta. Разработчики могут запускать PyTorch-модели на TPU с поддержкой eager execution, torch.compile и распределённого обучения.
Перенос существующего кода может сводиться к замене .to("cuda") на .to("tpu").
Документация: https://pytorch.org/blog/introducing-torchtpu/
3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с
Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python base64.
В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.
Установка:
pip install fastpybase64
Использование:
import fastpybase64 as base64
encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)
Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/
4. TorchNeuron - запуск PyTorch на AWS Trainium
Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.
Модель можно перенести на Trainium практически без изменения архитектуры:
model = MyModel().to("neuron")
Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.
GitHub: https://github.com/aws-neuron/torch-neuronx
Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.
Полный дайджест: https://pythonhub.dev/digest/2026-11-08/
@Python_Community_ru | 489 |
| 9 | 🔥 На GitHub появился большой набор нейросетей, полностью реализованных на Keras 3
ZeroModels собирает в одной библиотеке десятки pretrained-моделей для самых разных задач: LLM, VLM, computer vision, генерация изображений, depth estimation и распознавание речи.
Внутри уже есть Qwen, DeepSeek, Llama, Gemma, Stable Diffusion, Qwen-Image, Whisper, SAM, DINO, Depth Anything и много других моделей. Веса конвертируются из Transformers, timm и Diffusers в формат Keras.
Установка одной командой:
`pip install -U zeromodels`
Код открыт под Apache 2.0, но лицензии конкретных весов остаются исходными.
GitHub: https://github.com/IMvision12/ZeroModels
@Python_Community_ru | 523 |
| 10 | @Python_Community_ru | 504 |
| 11 | 🏎 Всю Формулу-1 можно воспроизвести на Python. Нашёл проект с 7000 звёзд на GitHub
F1 Race Replay позволяет заново просматривать реальные гонки Формулы-1 в интерактивном режиме, отслеживая перемещения болидов и телеметрию пилотов.
Проект написан на Python и использует библиотеку FastF1 для получения исторических данных гонок.
Что умеет:
Показывает положение всех болидов на трассе, порядок пилотов, используемые шины и текущий круг.
Позволяет останавливать гонку, перематывать назад и вперёд, а также менять скорость воспроизведения от 0,1x до 256x.
Отображает скорость пилотов, передачи, состояние DRS, времена кругов и секторов. Можно выбирать нескольких гонщиков и сравнивать их телеметрию.
Есть визуализация выезда машины безопасности, графики деградации шин и отдельные окна для анализа гоночной стратегии.
Всё запускается локально:
git clone https://github.com/IAmTomShaw/f1-race-replay
cd f1-race-replay
pip install -r requirements.txt
python main.py
Внутри используются Python 3.11+, FastF1, Arcade, PySide6 и NumPy. Можно создавать собственные панели телеметрии и подключать их к потоку данных.
Хороший проект для тех, кто хочет попрактиковаться в Python, визуализации данных и анализе спортивной телеметрии.
GitHub: https://github.com/IAmTomShaw/f1-race-replay
@Python_Community_ru | 578 |
| 12 | 👾 Русскоязычный каталог из 2118 проектов по декомпиляции игр: от Ocarina of Time до Xbox 360
На GitHub появился awesome-список, собранный на русском: проекты, которые восстанавливают игры из машинного кода. Это декомпиляции, статические рекомпиляции, порты на исходниках и ремейки движков. Задача простая: помочь найти проект под нужную игру и платформу и объяснить, как всё это устроено.
Масштаб впечатляет. В каталоге около 2118 проектов для примерно 1829 игр, из них 1771 активных. По типам: 786 декомпиляций, 525 статических рекомпиляций, 269 портов на исходниках, 238 ремейков движков, 234 дизассемблирования, 57 браузерных портов и 9 инструментов.
По платформам лидирует ПК с 295 проектами, дальше Nintendo 64 (190), Xbox 360 и PlayStation 1 (по 161). Следом идут DOS, GameCube, PS2, Game Boy Advance и Wii. Среди примеров Zelda (Ocarina of Time, Majora's Mask, Twilight Princess), Mario 64, Sonic, Diablo, Morrowind, OpenRA и OpenRCT2.
Внутри не просто список. В README есть топ-25, отдельный список браузерных портов, каталоги по типам и платформам, раздел о том, как начать декомпилировать самому, FAQ и глоссарий. Из инструментов упоминаются N64Recomp, XenonRecomp, RT64, splat, decomp.me, objdiff и m2c. Каталог обновляется автоматически через GitHub Actions.
Важная оговорка: сами проекты работают с данными из легально купленных копий игр, а в репозитории лежат только ссылки.
Репозиторий: https://github.com/justxor/awesome-decomp-games-ru
@Python_Community_ru | 630 |
| 13 | ⚡ pyfastlogging- быстрый неблокирующий логгер для Python
pyfastlogging — Python-обёртка над fastlogging, где запись логов вынесена в фоновые потоки. За счёт этого основной код меньше блокируется на I/O.
Что умеет:
- thread-safe логирование
- несколько writers на один logger
- консоль, файлы, TCP, syslog и callbacks
- ротация и сжатие логов
- AES-шифрование сетевого логирования
- multiprocessing и threads
- конфигурация через JSON, XML и YAML
- экспорт логов в OpenTelemetry по OTLP/HTTP
Установка:
pip install pyfastlogging
python
from pyfastlogging import TRACE, Logging, ConsoleWriterConfig
logger = Logging(
TRACE,
"main",
[ConsoleWriterConfig(TRACE, True)],
)
logger.info("Hello")
logger.shutdown()
Поддерживается Python 3.10+. Актуальный релиз - 0.9.0, лицензия - MIT OR Apache-2.0. PyPI
Хороший вариант для сервисов, где обычное логирование уже начинает влиять на latency.
https://pypi.org/project/pyfastlogging/
@Python_Community_ru | 744 |
| 14 | Sin texto... | 638 |
| 15 | 🔎 Xiaomi открыла модель для разбора документов размером всего 0,8 млрд параметров
Xiaomi-OCR-0 объединяет распознавание текста, разбор структуры документа, извлечение ключевой информации и ответы на вопросы по содержимому.
То есть задача модели шире обычного «перепечатать текст с картинки»: она помогает превратить документ в данные, с которыми можно работать дальше.
По данным разработчиков:
- 95,24 балла на Real5-OmniDocBench.
- 83,2 балла в среднем на пяти тестах вопросов и ответов с опорой на распознавание текста.
- Первое место среди моделей меньше 1B параметров по качеству разбора документов на OmniDocBench v1.6.
В открытый доступ выложили веса, код инференса, интерактивное демо, MCP-сервис и Agent Skill. Последние два компонента позволяют подключать обработку документов к рабочим процессам ИИ-агентов.
Компактный размер делает модель интересной для собственной инфраструктуры. Но качество на конкретных сканах, языках и сложных таблицах стоит проверять отдельно: результаты бенчмарков не гарантируют точность на любых документах.
🤗 Huggingface: https://huggingface.co/xiaomi-research/Xiaomi-OCR-0
🔗 GitHub: https://github.com/xiaomi-research/Xiaomi-OCR-0
📄 Demo: https://huggingface.co/spaces/loongwayX/Xiaomi-OCR-0-demo #XiaomiAI #OCR #OpenSource
@Python_Community_ru | 632 |
| 16 | Python выпустил внеплановые обновления безопасности: 3.15.1, 3.14.9 и 3.13.17. Причина – инцидент с сертификатами eMudhra / emSign.
Во всех трёх релизах встроенный pip обновлён до 26.2.2, включающего certifi 2026.10.19 с обновлённым набором доверенных сертификатов.
Для Python 3.13 сделали исключение: ветка уже перешла в режим исправлений безопасности, но разработчики выпустили специальное обновление с установщиками и новым pip.
Обновить сам Python недостаточно: команда отдельно просит обновить pip и uv во всех существующих виртуальных окружениях.
В анонсе приведена команда безопасного обновления pip по прямой ссылке на wheel с проверкой SHA-256.
Дополнительно установщики для macOS используют предварительную версию Tk, исправляющую возможное зависание приложений с tkinter, включая IDLE, на macOS 27.0.
https://blog.python.org/2026/10/python-3151-3149-31317/
@Python_Community_ru | 542 |
| 17 | Разобраться в коде старой игры без исходников: retro-kit автоматизирует работу с Ghidra
Открытый инструмент помогает исследовать 32-битные игры примерно 1993–2010 годов: DOS-программы на Watcom C/C++ и Windows-игры в формате Win32 PE.
На выходе - C-подобный декомпилированный код, список функций, граф вызовов, строки и таблицы указателей. Это материал для анализа, а не восстановленный оригинальный исходник.
Что умеет retro-kit:
- Показывать имена методов DirectX, вызываемых через COM-таблицы.
- Распознавать библиотеки эпохи: Miles, Smacker, Bink, FMOD, BASS и другие.
- Восстанавливать сведения о C++-классах из MSVC RTTI.
- Переносить найденные имена функций между родственными версиями игры.
Есть MCP-сервер для ИИ-агентов: можно подключить Claude Code, исследовать функции и связи между ними, сохранять заметки и возвращать уточнённые имена в Ghidra.
Базовый запуск:
retrokit info GAME.EXE
retrokit analyze GAME.EXE
Понадобятся Ghidra 12.x, JDK 21+ и Python 3.10+. Лицензия - Apache 2.0.
https://github.com/nautilusbits/retrokit
@Python_Community_ru | 566 |
| 18 | OpenBMB выпустила две OCR-модели: одна распознаёт документы, другая проверяет, насколько результату можно доверять.
MiniCPM-OCR 1.0 – модель на 1,3 млрд параметров для китайских и английских документов. Обрабатывает текст, таблицы, формулы, графики и печати, преобразуя PDF и изображения в Markdown или JSON.
По данным команды, она набирает 93,68 на Real5-OmniDocBench и 54,7 на OCRBench v2. Поддерживает сложные снимки: перекошенные и изогнутые страницы, фотографии и повторно снятые документы.
MiniCPM-OCR Jev – проверяющая модель на 2 млрд параметров. Получает изображение и результат OCR, затем выставляет оценку качества от 0 до 1 для отдельных областей. Помогает находить текст, формулы и таблицы, требующие ручной проверки.
Jev работает и с другими распознавателями. На JevOCRBench её AUROC составляет 93,6 против 93,8 у Qwen3.5-397B-A17B. Это показатель различения правильных и ошибочных результатов, а не процент безошибочно распознанных страниц.
С ускорением DSpark авторы сообщают о пропускной способности в 1,49 раза выше PaddleOCR-VL-1.6 и в 3,62 раза выше MinerU2.5 Pro в своих тестах.
Доступны vLLM, SGLang, llama.cpp и Ollama, квантованные версии, SDK и инструкции по дообучению.
https://github.com/OpenBMB/MiniCPM-OCR
@Python_Community_ru | 550 |
| 19 | Python 3.15: что выведет lazy import? Задача с подвохом
Новая фича Python 3.15: lazy import (PEP 810). Импорт несуществующего модуля не падает при старте, а ошибка всплывает позже. Разбираем задачу с подвохом по шагам и показываем ограничения lazy. Сохрани, чтобы не ошибиться.
https://youtube.com/shorts/LorWGMBuokk?feature=share
@Python_Community_ru | 590 |
| 20 | 🐍 Когда стандартного `sqlite3` в Python становится мало, есть APSW.
Another Python SQLite Wrapper даёт доступ к полному C API SQLite из Python.
Что можно использовать:
• Виртуальные таблицы для подключения собственных источников данных.
• VFS для управления тем, как SQLite работает с файлами.
• Session API для записи и применения наборов изменений.
• Полнотекстовый поиск, JSON и передачу массивов через CArray.
• Синхронный код и поддержку асинхронных фреймворков.
Для обычных SQL-запросов встроенного sqlite3 часто достаточно. APSW полезен, когда нужны расширенные возможности SQLite и более глубокий контроль над движком.
Установка: pip install apsw
https://github.com/rogerbinns/apsw
@Python_Community_ru | 628 |
