Python/ django

🧩 Эффективное кэширование для Python-приложений dm-cache — это библиотека для кэширования данных в Python, которая обеспечивает высокую производительность и простоту использования. Она поддерживает различные стратегии кэширования и позволяет легко интегрироваться в существующие приложения, улучшая их скорость и отзывчивость. 🚀 Основные моменты: - Поддержка различных стратегий кэширования. - Простая интеграция в Python-приложения. - Высокая производительность и эффективность. - Легкий в использовании API. 📌 GitHub: https://github.com/mingzhao/dm-cache #python

🔥 Pandas трюк: ускоряем группировки с map вместо merge_groupby Когда нужно добавить агрегированные значения (например, среднее по группе) обратно в исходный DataFrame, большинство разработчиков делают groupby().transform() или merge(). Но есть менее известный способ — использовать map() после groupby().mean(), который в некоторых случаях работает в 2–3 раза быстрее и требует меньше памяти. Фокус в том, что groupby().mean() создаёт компактный Series, где индекс — это категория, а значения — результат агрегации. А map() просто подставляет их обратно в исходный DataFrame без тяжёлого join.

import pandas as pd
import numpy as np

# пример данных
N = 5_000_000
df = pd.DataFrame({
    "group": np.random.choice(["A", "B", "C", "D"], N),
    "value": np.random.randn(N)
})

# классический подход
df["mean_value_merge"] = df["group"].map(df.groupby("group")["value"].mean())

# сравнение с transform
df["mean_value_transform"] = df.groupby("group")["value"].transform("mean")

# идентичность результата
print(df["mean_value_merge"].equals(df["mean_value_transform"]))

Это особенно полезно на миллионах строк, когда transform начинает “проседать”. Метод даёт тот же результат, но заметно экономнее по CPU и RAM. @pythonl

🎥 Обертка для ComfyUI: WanVideoWrapper WanVideoWrapper — это инструмент для интеграции видео в ComfyUI, позволяющий легко обрабатывать и визуализировать видеофайлы. Проект предлагает простое решение для работы с видео в рамках интерфейса, расширяя его функциональность. 🚀 Основные моменты: - Поддержка различных форматов видео - Легкая интеграция с ComfyUI - Удобный интерфейс для пользователей - Возможность настройки параметров обработки - Активное сообщество и поддержка 📌 GitHub: https://github.com/eddyhhlure1Eddy/ode-ComfyUI-WanVideoWrapper #python

🧠 CraftGPT: AI в Minecraft CraftGPT — это небольшой языковой модель, предназначенный для работы в Minecraft, обученный на наборе данных TinyChat. Модель может выдавать не совсем корректные или нерелевантные ответы и имеет ограниченное окно контекста в 64 токена. Для оптимальной работы требуется MCHPRS, который использует механизмы редстоуна. 🚀Основные моменты: - Работает в Minecraft с использованием редстоуна. - Требует 32 ГБ ОЗУ для загрузки сервера. - Может занять часы для генерации ответа. - Рекомендуется тестировать ввод на эмуляторе. - Ограниченная производительность и качество ответов. 📌 GitHub: https://github.com/sammyuri/craftgpt @pythonl #python

🎨🚀 HunyuanImage-2.1: Эффективная модель диффузии для генерации изображений HunyuanImage-2.1 — это мощная модель для создания высококачественных изображений (2048x2048) на основе текстовых описаний. Используя передовые технологии, она значительно улучшает согласование текста и изображения, обеспечивая высокую степень детализации и эстетики. 🚀Основные моменты: - Генерация изображений высокого разрешения (2K). - Многоязычная поддержка и улучшенное согласование текста. - Использование обучения с подкреплением для повышения качества. - Эффективная архитектура с низкими вычислительными затратами. - Модуль PromptEnhancer для улучшения производительности. 📌 GitHub: https://github.com/Tencent-Hunyuan/HunyuanImage-2.1 @pythonl

Python или не Python? Вот в чём вопрос… на обсуждение в формате круглого стола на Python-митапе от Авито! ☄ Вечером 27 октября вас ждут в офисе на Лесной, чтобы обсудить: ➡ кейс оптимизации GC в Python от Саши Федосеева, backend-инженера из команды Main Page Tech Авито; ➡ как mypy укрощает Python в большой компании вместе с Сергеем Яхницким из Яндекса. После докладов, как и сказали выше, вместе с участниками спикеры обсудят, подходит ли Python для запуска больших нагруженных решений в формате круглого стола. Для тех, кто не успевает вырваться из офиса или дома, будет онлайн-трансляция. Так что не откладывайте, регистрируйтесь и зовите коллег — все подробности по ссылке.

🖥 Если вы вдруг пропустили в Python 3.14 можно отключить GIL! Это огромное обновление: раньше, даже если вы писали многопоточный код, Python выполнял только один поток за раз, и вы не получали прироста производительности. Теперь же Python способен реально выполнять потоки параллельно. И библиотека uv уже полностью поддерживает эту возможность! Посмотрите сравнение скорости на прикрепленном видео. @pythonl

🖥 Учим Python на ферме - вышла новая игра, где вместо мотыги ты пишешь код Забудь про грядки и полив — теперь ферма работает на Python. Ты управляешь роботами, автоматизируешь процессы и наблюдаешь, как код превращается в урожай. Вместо мотыги - код, вместо удобрений - алгоритмы. Это не симулятор фермера, а тренажёр программиста с юмором и логикой. - Всё управление через код - роботы выполняют твои Python-команды; - Обучение встроено в геймплей — осваиваешь основы без нудных туториалов; - Без уровней и доната - ферма растёт вместе с твоими навыками; - Есть русский язык и IntelliSense, можно писать даже из VS Code; У игры уже 95% положительных отзывов в Steam. Игра превращает обучение Python в чистое удовольствие - просто запускаешь и начинаешь “программировать урожай”. 👉 Играть

Как построить карьеру в машинном обучении, если вы уже знаете Python Вы работаете с Python — пишете скрипты, анализируете данные или автоматизируете задачи? Сделайте следующий шаг и примените эти навыки в машинном обучении. ML — одна из самых быстрорастущих областей IT с высокими зарплатами и сложными задачами. На вебинаре от Кристины Желтовой, директора по разработке моделей в Газпромбанке, вы получите пошаговый план, как стать ML-инженером. В ходе вебинара разберём: 🟠Из каких сфер чаще всего приходят в профессию ML-инженера; 🟠Какие задачи решают специалисты в этой области; 🟠Какие навыки, технологии и инструменты потребуются для старта в профессии; 🟠Как перейти от теории к работе с реальными моделями и решению проблем бизнеса. 🕗 Встречаемся 15 октября в 19:00 МСК 💬 Обязательно ждем вас в лайве — вы сможете напрямую задать свои вопросы Кристине Желтовой и выстроить личный план перехода в профессию ML-инженера! 😶Зарегистрироваться на бесплатный вебинар

🚀 PyApp: Упрощение создания Python приложений PyApp — это обертка для Python-приложений, позволяющая им самостоятельно загружаться во время выполнения. Она упрощает создание автономных бинарных файлов для различных платформ и предлагает управление командами, включая автоматические обновления. 🚀 Основные моменты: - Создание самостоятельных бинарников для всех платформ - Управляющие команды для функциональности, включая обновления - Конфигурируемое поведение на этапе выполнения 📌 GitHub: https://github.com/ofek/pyapp @pythonl #python

💾🎉 copyparty - ваш файловый сервер на любом устройстве Copyparty позволяет легко превратить любое устройство в файловый сервер с поддержкой возобновляемых загрузок и скачиваний через веб-браузер. Работает на Python и поддерживает различные протоколы, включая HTTP, WebDAV и FTP. 🚀Основные моменты: - Поддержка множества протоколов для доступа к файлам. - Удобный интерфейс для загрузки и управления файлами. - Возможность создания временных ссылок для обмена файлами. - Поддержка мобильных приложений для Android и iOS. 📌 GitHub: https://github.com/9001/copyparty #python

🌐 DeepMind представила URL Context — теперь можно извлекать данные с любой веб-страницы, PDF или картинки просто по ссылке! ⚡ Что умеет: - Подтягивает данные с до 20 URL за один запрос - Никакой настройки — просто вставляешь ссылки в промпт - Оплата только за токены, без доп. стоимости за инструмент 💡 Возможности: ▸ Вытаскивать цены, имена, ключевые факты из статей ▸ Сравнивать PDF, отчёты или статьи ▸ Генерировать резюме, посты и документы на основе разных источников ▸ Анализировать GitHub-репозитории и техдоки 👉 URL Context превращает LLM в универсальный инструмент для работы с реальными данными в сети. https://ai.google.dev/gemini-api/docs/url-context?hl=ru

⚡ Наглядное сравнение скорости нового Python 3.14 с предыдущей версией Теперь Python может использовать все ядра процессора так же эффективно, как C++ или Go - без сложных обходных путей и накладных расходов. Многопоточность стала быстрее мультипроцессинга - впервые в истории Python. Главное - новая сборка позволяет работать без GIL (Global Interpreter Lock), что меняет всё. Как вы наверное знаете, GIL - это глобальная блокировка интерпретатора, которая позволяет в каждый момент времени исполнять только один поток байткода Python, даже если у тебя много ядер. Раньше поэтому многопоточность в Python фактически не работала. 🔄 Как обходили GIL До сих пор стандартный способ распараллеливания 0 мультипроцессинг. Каждый процесс - свой экземпляр интерпретатора со своим GIL. Минусы такого подхода: каждая копия имеет отдельную память, данные нужно сериализовать при передаче — большие накладные расходы. 🚀 Что меняется в 3.14 В новой версии можно отключить GIL, и потоки теперь работают в общем адресном пространстве. Общий доступ к памяти + никакой сериализации → значительное ускорение: многопоточность теперь оказывает на ~33 % быстрее, чем мультипроцессинг. 📈 Эксперименты из репозитория koenvo/python-experiments/free-threading - Продемонстрировано, что без GIL потоки действительно ускоряют работу задач с интенсивной синхронизацией и доступом к общей памяти. - Показаны сравнения, где многопоточные версии (с отключённым GIL) часто превосходят мультипроцессные аналоги по времени выполнения. - Тесты охватывают разные сценарии: CPU-нагрузки, обмен данными между потоками, циклы с синхронизацией. - Репозиторий служит “proof of concept” — демонстрация, что free-threading действительно работает и приносит выгоду. 💡 Почему это важно - Теперь реальная многопоточность в Python становится возможной и эффективной. - Это особенно актуально для библиотек и фреймворков: ожидается, что PyTorch, NumPy и другие скоро получат поддержку free-threading. - Уменьшаются накладные расходы на межпроцессное взаимодействие, улучшается масштабируемость на многопроцессорных системах. Вот реальные примеры: https://github.com/koenvo/python-experiments/tree/main/free-threading @pythonl

🎧 MiMo Audio: Инновации в аудио языковых моделях MiMo Audio предлагает передовые аудио языковые модели, способные к обучению с минимальным количеством примеров. С использованием более 100 миллионов часов данных, модель демонстрирует выдающиеся результаты в задачах распознавания речи и аудиоанализа, а также в генерации речи. MiMo-Audio-7B-Base устанавливает новые стандарты в открытых моделях. 🚀Основные моменты: - Поддержка нескольких аудио задач с минимальным обучением. - Высокая производительность в распознавании речи и аудио понимании. - Генерация реалистичной речи для различных форматов. - Открытый доступ к моделям через Hugging Face. 📌 GitHub: https://github.com/XiaomiMiMo/MiMo-Audio @pythonl

🖥 Что нового в Python 3.14 и почему стоит перейти Python 3.14 вышел 7 октября 2025 года. Это новый стабильный релиз, который содержит как изменения в самом языке, так и улучшения в реализации, стандартной библиотеке, отладке и взаимодействии с многопоточностью. Ниже - обзор ключевых нововведений, их смысла, применимости и возможных подводных камней. 🟠Основные нововведения (Release highlights) - Отложенная (ленивая) оценка аннотаций - теперь аннотации не вычисляются сразу, что уменьшает накладные расходы. - Поддержка нескольких интерпретаторов в рамках одного процесса через новый модуль. - Новый синтаксис шаблонных строк (t-strings), который даёт больше контроля над статической и интерполированной частью. - Более информативные сообщения об ошибках (например, подсказки для опечаток в ключевых словах). - Поддержка формата сжатия Zstandard в стандартной библиотеке. - Улучшенные возможности для отладки и профилирования, в том числе подключение к живому процессу без остановки. - Улучшения в asyncio — команды для визуализации и диагностики задач, стеков ожидания и зависимостей. - Уменьшение пауз сборщика мусора (gc) через инкрементальный сбор. - Подсветка синтаксиса и автодополнение модулей в интерактивном режиме (REPL) по умолчанию. 🟠 Подробности и примеры Ленивые аннотации - deferred evaluation of annotations Раньше аннотации (для типов, документации, подсказок) могли вызывать вычисления прямо при определении функции или класса. Теперь они хранятся в виде «ленивых» структур и вычисляются по надобности. Это снижает накладные расходы на загрузку кода, особенно если аннотации сложные или содержат много forward-ссылок. Есть модуль annotationlib, который позволяет исследовать аннотации программно и выбирать формат их получения — строки, объекты или отложенные ссылки. Когда это особенно помогает: - большие фреймворки, генерация кода, ORM, библиотеки с множеством аннотаций; - ускорение импорта при старте приложений; - уменьшение накладных расходов при работе с типами. Что проверить при миграции: - код, использующий __annotations__ напрямую, может требовать адаптации; - убедитесь, что сторонние библиотеки, работающие с аннотациями, поддерживают новый формат. Несколько интерпретаторов (subinterpreters) Теперь в Python можно запускать несколько независимых интерпретаторов внутри одного процесса (модуль `concurrent.interpreters`). Преимущества: - изоляция между интерпретаторами (отдельная память, отдельный GIL); - параллелизм на многоядерных системах; - меньше накладных расходов, чем при использовании multiprocessing. Ограничения: - не все C-расширения поддерживают мультиинтерпретацию; - коммуникация между интерпретаторами требует явных каналов (очереди, сообщения). Это даёт реальную возможность распараллеливания CPU-задач без запуска отдельных процессов. Template string literals (t-strings) Новое синтаксическое средство — префикс t перед строкой, аналогично f'...'. Результат — объект Template, который хранит текст и вставки по отдельности.

variety = 'Stilton'
template = t'Try some {variety} cheese!'

- Подробности - Скачать - Видеообзор

🎙️ VoxCPM: Революционный TTS для естественного синтеза речи VoxCPM — это инновационная система синтеза речи без токенизации, обеспечивающая контекстуально осознанное создание речи и высококачественное клонирование голоса. Она использует диффузионную архитектуру для генерации непрерывных звуковых представлений, что позволяет достигать высокой выразительности и стабильности. 🚀 Основные моменты: - Контекстуально осознанная генерация речи с естественным звучанием. - Точное клонирование голоса с минимальным количеством образцов. - Высокая эффективность синтеза, поддержка потоковой передачи. 📌 GitHub: https://github.com/OpenBMB/VoxCPM @pythonl

🐍 Как ускорить ML-эксперименты на Python без настройки железа Вы пишете на Python, используете PyTorch, TensorFlow или JAX — и тратите часы на установку драйверов, CUDA и зависимостей, вместо того чтобы просто запустить обучение. В immers.cloud мы убрали эту рутину: 💰 Посекундная тарификация: тарифы от 23 руб/час, платите только за время, когда сервер реально работает. ⚡️ Быстрый старт: нужный сервер поднимается за пару минут. 📈 Гибкость и масштабируемость: 13 моделей видеокарт на выбор, от RTX 3090 до флагманских Н200. 🔧 Удобство: готовые образы для ваших задач, чтобы не тратить время на настройку. А если нужно прерваться — можно просто заморозить ВМ с помощью функции Shelve: данные сохранятся, а платить за простои не придется.⠀ 🔗 Начните сейчас и получите +20 % к первому пополнению!

1️⃣0️⃣0️⃣0️⃣ БЕСПЛАТНЫХ приложений, которые можно развернуть прямо у себя на сервере. На GitHub нашли настоящую сокровищницу! 50+ категорий: от аналитики и бронирований до автоматизации рутины и чтения книг. Внутри — сотни инструментов под любые задачи: файлообменники, парсеры, сервисы для мониторинга и даже решения для ресторанов и отелей. Всё работает локально — данные остаются только у вас, ничего не уходит разработчикам или в сеть. https://github.com/awesome-selfhosted/awesome-selfhosted @pythonl

МТС приглашает всех, кто пишет на С++, Go, Python, JS, Java, C# и других языках, на True Tech Champ — всероссийский чемпионат по программированию. Соревнование будет проходить в двух треках. Трек 1. Алгоритмический. Индивидуальный зачет [призовой фонд 2 750 000 рублей] Реши задачи, которые помогут прокачаться в работе с алгоритмами и структурами данных. Похожие задания встречаются на собеседованиях в МТС и других крупных компаниях. До 240 лучших участников попадут в финал и сразятся в лайв-кодинге. Трек 2. Программирование роботов. Командный формат [призовой фонд 7 500 000 рублей] Проведи робота по виртуальному лабиринту, затем управляй им дистанционно на офлайн-полигоне, а в финале — пройди испытания на реальной площадке и выбей соперников с платформы. 🎁 Организаторы отправят командам финалистов по одному роботу Waveshare Cobra Flex для кастомизации. После соревнований они останутся у участников в качестве подарка. 📍 Зрелищный шоу-финал с ИИ-технологиями, кодерскими челленджами и выступлениями международных и российских спикеров пройдет 21 ноября в МТС Live Холл. Стоит участвовать, чтобы: — Освежить знания и прокачать новые навыки. — Заявить о себе на всю страну, получить карьерный буст и шанс лично пообщаться с HR-специалистами МТС. ⏰ Регистрация участников до 20 октября на сайте.

🛠️ Улучшаем отладку с пользовательскими типами Этот репозиторий помогает отображать пользовательские типы и контейнеры в отладчике LLDB, делая их более понятными. С помощью кастомных функций и синтетических провайдеров вы сможете легко видеть значения ваших объектов и контейнеров. 🚀Основные моменты: - Поддержка пользовательских типов и контейнеров в LLDB. - Использование Python для настройки отображения. - Примеры для классов и контейнеров, таких как example::date и example::span. - Удобное взаимодействие с отладчиком через .lldbinit. 📌 GitHub: https://github.com/codeinred/lldb_user_types #python