PythonDigest

#python #pydigest IT-новости про Python перед вами. Часть материалов из выпуска Python Дайджест: - Симуляция дуэлей юнитов HoMM III: кто сильнее в честном 1vs1? - Минус 500 MB: оптимизируем Docker-образ Django-приложения - Жесты вместо горячих клавиш: подключаем ИИ к веб-камере - Откуда в обучении берётся nan: численная нестабильность в ML и почему всё считают в логарифмах - Алгоритмы векторного поиска: IVF и HNSW - [Видео] Как мы изобретали Temporal, пытаясь просто создать приложение - [Видео] AI в разработке: очень хороший автокомплит или роботы нас заменят? - Spawn — фреймворк для разработки AIDD методологий - spoof: A Simple HTTP Server for Test Environments Заходите в гости - https://pythondigest.ru/issue/652/

Моделирование распределений https://habr.com/ru/companies/piter/articles/1045935/ Статистика и данные с примерами на Python. 3-е изд.», хотим немного рассказать вам о ней и поделиться интересным отрывком.

Оптимизация под Pagespeed: работа с изображениями как с наиболее частой и весомой проблемой сайтов https://habr.com/ru/companies/first/articles/1045832/ Разработчики часто сталкиваются с проблемой: сайт успешно протестировали на мастере, выкатили на прод, провели контрольное тестирование — вроде всё хорошо. Сайт работает пару месяцев — и вдруг приходит задача от SEO «увеличить скорость загрузки сайта» или «исправить просевшее количество баллов в PageSpeed». Причём ничего принципиально нового не добавляли, просто наполняли контентом.Начинаем разбираться — и выясняется, что есть общая проблема, которая почти всегда повторяется. А именно — изображения. В статье расскажем, что с ними делать — как оказывается, проблема распространённая и до сих пор актуальная.

pylint - 4.0.6 https://pypi.org/project/pylint/4.0.6/ Статический анализатор Python-кода. Скачать можно по ссылке: https://pypi.python.org/pypi/pylint/

pytest - 9.1.0 https://pypi.org/project/pytest/9.1.0/ Простой мощный инструмент тестирования в Python. Скачать можно по ссылке: https://pypi.python.org/pypi/pytest/

virtualenv - 21.5.0 https://pypi.org/project/virtualenv/21.5.0/ Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv

virtualenv - 21.4.3 https://pypi.org/project/virtualenv/21.4.3/ Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv

spoof: A Simple HTTP Server for Test Environments https://github.com/lexsca/spoof

olmOCR-2 vs PaddleOCR-VL: Which Extracts PDF Tables Better? https://codecut.ai/olmocr2-vs-paddleocr-vl/ Compare olmOCR-2 and PaddleOCR-VL on a real arXiv PDF with dense technical tables. This article walks through a Python-based OCR workflow, then evaluates how each model handles table detection, runtime, numeric accuracy, merged cells, and multi-tier headers.

Откуда в обучении берётся nan: численная нестабильность в ML и почему всё считают в логарифмах https://habr.com/ru/companies/otus/articles/1044824/ Многие ML‑инженеры знают, что нужно использовать CrossEntropyLoss, log_softmax и logsumexp. Гораздо меньше людей могут объяснить, что именно они спасают и почему без них обучение модели периодически превращается в генератор nan. Именно об этом и поговорим.

Dead Letter Queue в Kafka на практике https://habr.com/ru/articles/1045324/ DLQ — это просто топик. Сложное — всё, что вокруг него.Эта статья — про практическую архитектуру обработки событий из Kafka с отправкой данных во внешний REST API.Главная проблема такого сценария — нестабильность внешнего API. Он периодически деградирует по latency или начинает отвечать с ошибками, и это напрямую влияет на пропускную способность всего консьюмера.

Фрактальная криптография: может ли хаос стать основой постквантового шифрования? https://habr.com/ru/articles/1045408/ Всем Q. А тем, у кого малиновые штаны много QqQq. Когда-то, n-лет тому назад, много и долго исследовал фракталы ...

django-cms - 5.0.8 https://pypi.org/project/django-cms/5.0.8/ Легкая в использовании и удобная для разработки CMS. Скачать можно по ссылке: https://pypi.python.org/pypi/django-cms/

Python 3.15 Hits Feature Freeze and Other News for June 2026 https://realpython.com/python-news-june-2026/ Python 3.15 hits feature freeze with a built-in sentinel, PEP 829 lands, Pydantic forks httpx, and AI goes bug-hunting in C code.

[Видео] Как мы изобретали Temporal, пытаясь просто создать приложение https://www.youtube.com/watch?v=UO8kOmZ5Tfk Ларин Андрей. Старший разработчик, группа разработки IDP, Яндекс. Слайды: https://moscowpython.ru/meetup/111/inventing-temporal/

[Видео] AI в разработке: очень хороший автокомплит или роботы нас заменят? https://www.youtube.com/watch?v=xJPcr72bJTQ Модерируемая дискуссия со спикерами. Рассмотрим с разных углов как AI инструменты меняют мир разработки.

Как я проектировал очередь задач для работы с AI-агентом https://habr.com/ru/articles/1044554/ Разбираю, как я отделил жизненный цикл задачи от владельца следующего действия, чтобы AI-агент видел не просто список дел, а очередь: что можно брать в работу, что ждет человека, что требует ревью и что заблокировано.

tornado - 6.5.7 https://pypi.org/project/tornado/6.5.7/ Масштабируемый, не блокирующий web-сервер. Скачать можно по ссылке: https://pypi.python.org/pypi/tornado/

Локальная Gemma 4 на MacBook читает графики и таблицы — и врёт красивее, чем говорит правду https://habr.com/ru/articles/1044400/ MacBook M3, 16 ГБ, никакого облака. Поставил свежую Gemma 4, написал инструмент: кидаешь картинку с графиком или таблицей — получаешь CSV. Три кейса из семи — идеально. На остальных модель начала врать, причём аккуратнее, чем говорила правду: вместо рваных реальных чисел подсовывала гладкие выдуманные. Разобрал по шагам — сетап на маке, грабли с llama.cpp, сам инструмент — и собрал карту, где локальному зрению можно верить, а где оно тихо галлюцинирует

Как дообучить LLM. Рассказываю шаг за шагом https://habr.com/ru/articles/1044422/ В этой статье я шаг за шагом расскажу, как дообучить LLM под свою задачу. В качестве примера возьму open-source модель Qwen2.5-0.5B и дообучу её извлекать информацию из текста в формате JSON по заданной схеме. Сначала дам короткую вводную по этапам обучения языковых моделей, а затем перейдём к практике: подготовим данные, настроим LoRA, обучим модель в Colab и сравним метрики до и после — заодно проверим, насколько сильно модель забывает прежние знания. Рассказ будет сопровождаться кодом на Python