Python/ django
رفتن به کانال در Telegram
по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Python/ django
کانال Python/ django (@pythonl) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 58 612 مشترک است و جایگاه 2 183 را در دسته فناوری و برنامه‌ها و رتبه 10 242 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 58 612 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 06 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -331 و در ۲۴ ساعت گذشته برابر -19 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 6.68% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 3.17% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 3 916 بازدید دریافت می‌کند. در اولین روز معمولاً 1 858 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 20 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند github, claude, контекст, архитектура, api تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“по всем вопросам @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 07 اکتبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.
58 612
مشترکین
-1924 ساعت
-747 روز
-33130 روز
آرشیو پست ها
58 612
🐍 Python Workers в Cloudflare вышли в GA
Cloudflare официально сделала Python полноценным поддерживаемым языком для Workers. Теперь Python-код можно запускать в production на edge-инфраструктуре Cloudflare и напрямую связывать с Workers AI, R2, D1, Hyperdrive, Durable Objects, Queues и Workflows.
Что добавили:
- поддержка FastAPI, Django, Flask и других ASGI/WSGI-фреймворков;
- нативные Python bindings без ручной конвертации объектов в JavaScript;
- работа с PostgreSQL и MySQL через Hyperdrive;
- поддержка сетевых библиотек и TCP-сокетов;
- возможность запускать OpenAI SDK, LangChain и MCP прямо внутри Python Workers.
Под капотом Python запускается через Pyodide/WebAssembly, а для пакетов с C/C++/Rust-расширениями Cloudflare продвигает стандарт PyEmscripten / PEP 783.
Можно собирать на Python API, AI-агентов, MCP-серверы, RAG и event-driven пайплайны без отдельного сервера.
Анонс Cloudflare - https://blog.cloudflare.com/python-workers-ga/
58 612
🎇Главная идея DevSecOps: безопасность перестаёт тормозить разработку.
Вместо проверок «после релиза» всё встроено в пайплайн: код проходит SAST, контейнеры сканируются, инфраструктура проверяется на комплайенс. В итоге релизы выходят быстрее и при этом безопаснее.
Этому и учит курс DevSecOps от Академии Codeby на практике:
⏺️9 модулей, 48 занятий, 90% практики
⏺️Стек: Docker, Kubernetes, Terraform, Vault, Ansible, Prometheus
⏺️Финальный экзамен в стиле OSCP — только реальные задачи
⏺️Авторы — практики: внедрение Zero Trust, построение SOC, разработка DevSec-инструментов под Burp Suite
Инженеры, которые умеют встраивать безопасность в CI/CD, сегодня в дефиците на стыке ИБ и DevOps — компании поняли, что «сначала сделать, потом чинить» обходится дороже.
👉 Запись на курс открыта до 15 октября
➡️️️Программа и регистрация
Бесплатная консультация — @CodebyAcademyBot
58 612
🐍 Какая зависимость держит ваш Django на старой версии?
django-upgrade-report читает зависимости проекта, проверяет заявленную совместимость на PyPI и составляет план обновления:
- Какие пакеты блокируют переход.
- Что можно обновить заранее.
- Что нужно обновлять одновременно с Django.
- Где потребуется ручная проверка.
Поддерживает lock-файлы uv, Poetry, PDM, Pipenv и
requirements.txt. Подбирает минимальную подходящую версию пакета, чтобы сократить масштаб изменений.
Запуск из папки проекта:
uvx django-upgrade-report
58 612
🖥 Python-дайджест недели: PyPy 8 с Python 3.12, отладка None и фреймворки для агентов
PyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython.
https://pypy.org/posts/2026/09/pypy-v800-release.html
nonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке.
https://pypi.org/project/nonetrace/
since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках.
https://github.com/MohammadHijjawi97/since-cutoff
Hardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода.
https://pytorch.org/blog/hardware-agnostic-models-in-vllm/
Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках.
https://digline.dev/blog/bad-evals-my-own/
CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе.
https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bh
Из проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов.
https://github.com/strands-agents/harness-sdk
https://github.com/confident-ai/deepteam
Для обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов.
https://github.com/anuj0456/OpenArch
https://github.com/Human-Agent-Society/reef
И приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run().
https://pythonhub.dev/digest/2026-10-04/
@pythonl
58 612
🐍 Python тормозит? В 3.15 добавили инструмент, который покажет где
Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время.
Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода.
Что умеет:
• Строить flame graphs и тепловые карты строк.
• Показывать нагрузку в реальном времени.
• Анализировать
asyncio, ожидание I/O и удержание GIL.
Подключение к процессу по PID:
python3.15 -m profiling.sampling attach 12345
58 612
webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики.
Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде:
- проверки, следует ли вывод из заданных предпосылок
- перевода текста в формальную логику
- semantic parsing
- формализации и критики доказательств в Lean
По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам.
- 3,66B параметров
- Q4 GGUF весит всего 2,09 GiB
- достаточно около 4 GB VRAM
- можно запускать через
llama.cpp
- данные остаются локально
Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial.
https://huggingface.co/webAI-Official/TwIL-LM3-Pro58 612
Repost from Machine learning Interview
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
58 612
🖥 Cayu - open-source runtime для долгоживущих ИИ-агентов на Python
Проект закрывает инфраструктурную часть работы агентов: управление состоянием, инструментами, правами доступа, секретами и восстановлением после сбоев.
Возможности:
- долговечные сессии, события и контрольные точки;
- возобновление, прерывание и разветвление запусков;
- типизированные инструменты, политики и подтверждения действий;
- лимиты расходов и учёт стоимости запусков;
- работа с субагентами и фоновыми задачами;
- управление контекстом и его сжатие;
- изолированные окружения, хранилища и секреты;
- трассировка, тесты и evals;
- панель управления на FastAPI;
- OpenAI, Anthropic, Bedrock, Vertex и OpenAI-совместимые API.
Минимальный запуск:
pip install cayu pytest
cayu new myagent
cd myagent
pytest
cayu eval run
58 612
🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями
Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.
Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые
https://github.com/justxor/python-primery-koda-2026/
58 612
+1🚀 Jina-OCR-v1 разбирает целые страницы в Markdown со скоростью 2,57 страницы/с
Jina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown.
Главное:
- 91,14 на OmniDocBench v1.6;
- 83,4 на olmOCR-Bench;
- на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench;
- до 2,57 страницы/с;
- лучший throughput среди 14 протестированных систем при concurrency 32;
- сохраняет текст, формулы, таблицы и порядок чтения за один проход.
Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP.
Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно.
Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение.
ModelScope:
https://modelscope.ai/models/jinaai/
Paper: https://modelscope.ai/papers/2609.03
58 612
🐍 В Python 3.15 решили мягко «похоронить»
re.match()
re.match() никуда не удаляют, но для нового кода его теперь рекомендуют не использовать.
Причина простая: название функции часто сбивает с толку. re.match() проверяет совпадение только с начала строки, хотя по имени это неочевидно.
В Python 3.15 появился более явный вариант:
re.prefixmatch()
Теперь логика выглядит понятнее:
- re.search() — ищет совпадение в любом месте;
- re.prefixmatch() — только с начала строки;
- re.fullmatch() — вся строка должна совпасть полностью.
re.match() получил статус soft deprecated: он остаётся рабочим, без warning и без планов на удаление, но новый код лучше писать без него.
Проверять старое использование можно через Ruff и правило TID251.
Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/58 612
⚡️ Qwen-Image за 6 шагов: Viggle ускорили генерацию и редактирование в 5 раз
Viggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG.
Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ.
По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832.
https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo
58 612
🖥 Заголовки безопасности для FastAPI - одной строкой 🛡️
fastapi-security-headers добавляет к ответам приложения HTTP-заголовки: HSTS, защиту от MIME sniffing, ограничения на встраивание страниц и другие политики браузера. Подключается как ASGI middleware:
app.add_middleware(SecurityHeadersMiddleware)
/docs продолжал работать. Заголовки можно настроить под конкретное приложение или переопределить для отдельного маршрута.
GitHub - https://github.com/aletgdev/fastapi-security-headers58 612
+1
Линтер для инструкций ИИ-агентов
LintLang проверяет
AGENTS.md, CLAUDE.md, SKILL.md, описания инструментов и конфигурации агентов. Ищет расплывчатые инструкции, циклы без условия остановки и расхождения между описанием инструмента и его схемой.
Работает локально, без вызовов LLM. Его можно запустить перед коммитом или добавить в CI, чтобы новые ошибки в инструкциях попадали на проверку вместе с кодом.
uvx lintlang scan AGENTS.md
58 612
‼️Ваши данные уже слиты.
Вопрос лишь в том, кто и как ими воспользуется.
Только в 2025 году в открытый доступ утекло более 767 миллионов строк с данными россиян. В начале 2026-го - еще 111 миллионов.
Если вы думаете, что вас это не касается, потому что у вас стоит сложный пароль - вы ошибаетесь.
Каждый день мы оставляем огромный цифровой след: от подключений к публичным Wi-Fi до метаданных в переписках Telegram. Путь в информационную безопасность всегда начинается с защиты самого себя.
🦔 Академия CyberYozh запустила бесплатный базовый курс Кибербезопасность в цифровой эре - на нем вы узнаете:
🔹 Как проверить, где именно утекли ваши данные.
🔹 Пошаговая зачистка цифрового следа в сети.
🔹 Настройка непробиваемой защиты для почты, мессенджеров и банковских приложений без заумных терминов.
Хватит надеяться на случай. Наведите порядок в своей цифровой гигиене.
👉 Пройти курс бесплатно
58 612
⚡️ OmniVoice - открытая модель озвучки с поддержкой более 600 языков.
Она умеет клонировать голос по 3–10 секундам записи и озвучивать новый текст этим голосом. Можно также задать характеристики голоса словами - например, тембр или акцент, либо позволить модели выбрать голос самой.
Для разработчиков есть Python API, CLI и локальное веб-демо. Авторы заявляют скорость генерации до 40× быстрее реального времени, но это показатель для отдельных условий запуска, а не гарантия для любого устройства.
Режим создания голоса по описанию обучали преимущественно на английском и китайском, поэтому на других языках результат может быть нестабильным.
Подойдёт для озвучки роликов, локализации и голосовых интерфейсов - особенно если нужен язык, который редко встречается в TTS-моделях.
GitHub: k2-fsa/OmniVoice: https://github.com/k2-fsa/OmniVoice
58 612
⚡ Qwen представила Audio 3.1 - единый стек для ASR, TTS и realtime-аудио.
Главное:
* ASR лучше распознаёт языки и диалекты, убирает повторы и слова-паразиты.
* ASR-Next разделяет спикеров, ставит таймкоды, распознаёт эмоции и окружающие звуки.
* TTS поддерживает перенос голоса между языками и управление стилем, скоростью и эмоцией.
* TTS-Next генерирует сразу голос + эффекты + фон через связку LM + diffusion.
* Realtime умеет одновременно слушать и говорить с естественными перебиваниями.
Плюс сильно снизили цены: TTS ~−70%, Realtime ~−85%, ASR до −95%.
- Qwen-Audio-3.1-ASR:
https://qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans
- Qwen-Audio-3.1-Realtime:
https://qwencloud.com/models/qwen-audio-3.1-realtime-plus
58 612
🐍 Ruff доволен, mypy молчит, тесты зелёные. А в коде четыре одинаковых функции
Автор статьи столкнулся с этим в проекте, который писал ИИ-агент. Вместо поиска готовых функций агент добавлял новые копии. Когда понадобилось изменить нормализацию данных, он уже не мог разобраться, какую из четырёх править.
Обычные проверки не покрывают всю структуру проекта:
* Ruff находит нарушения правил и умеет проверять сложность при соответствующей настройке.
* mypy проверяет типы.
* pytest проверяет сценарии, для которых написаны тесты.
При этом дублирование между файлами, неиспользуемые функции и нарушения архитектурных границ могут остаться незамеченными.
Автор предлагает добавить структурный анализ. Его инструмент pyscn ищет дубли, сложные функции, мёртвый код и нарушения правил зависимостей:
uvx pyscn analyze .
58 612
🐍 В CPython одно чтение `__dict__` может навсегда замедлить доступ к атрибутам конкретного объекта.
Начиная с Python 3.11 обычный
obj.x часто вообще не делает lookup по словарю. После прогрева интерпретатор специализирует LOAD_ATTR, а значение читается почти напрямую из inline storage объекта.
Но достаточно выполнить:
`obj.__dict__`
`vars(obj)`
`copy.copy(obj)`
__dict__ материализуется. После этого объект теряет быстрый специализированный путь на оставшееся время жизни.
На CPython 3.14.6 в тесте на M3:
обычный объект → 33.0 ms
после чтения __dict__ → 50.6 ms
В free-threaded сборке разрыв ещё больше:
34.0 ms → 59.4 ms.
Интересная деталь: __slots__ сам по себе почти не ускоряет обычный attribute access. Его преимущество здесь в другом — у объекта нет __dict__, значит его невозможно случайно материализовать и сбить оптимизацию.
Очень неочевидная причина, почему vars() или copy.copy() внутри hot path могут неожиданно ударить по производительности.
https://deadlovelll.github.io/2026-09-05-reading-dict-deoptimizes-attribute-access/58 612
🔥 Qwen представила Qwen3.8-Omni-Flash - свою первую мультимодальную модель, изначально заточенную под агентные задачи.
Она одновременно работает с видео и аудио, умеет рассуждать по увиденному и услышанному, планировать действия и подключать инструменты. Среди сценариев — автоматический монтаж влогов, перевод коротких видео, создание пересказов фильмов и поиск нужных эпизодов в длинных записях.
По данным Qwen, на WildClawBench-MM и UniClawBench модель прибавила в среднем 19,5 пункта в агентных задачах и приблизилась к Gemini 3.8 Flash по работе с аудио и видео.
Контекст - 1 млн токенов. На OmniVideoBench активный поиск по длинному видео позволил сократить расход токенов на 51,8% по сравнению со статическим анализом.
Стоимость обработки видео при этом снизилась примерно на 89% относительно Qwen3.5-Omni-Plus.
Вместе с моделью Qwen открывает Qwen-MM-Plugins для мультимодальных инструментов. Qwen-Live Harness также будет опубликован отдельно.
https://qwen.ai/blog?id=qwen3.8-omni-flash
