Python Portal

Python Tip: Перегрузка операторов Это очень важная концепция в Python. Задумывались ли вы, как Python понимает, что означает оператор +? Для чисел — это сложение; для строк — конкатенация; для списков — объединение. Это и есть перегрузка операторов в действии. Перегрузка операторов означает задание специального поведения для операторов (+, -, *, == и т. д.) в ваших пользовательских классах. Вы определяете, как эти операторы должны работать с вашими объектами. 👉 @PythonPortal

Представили browser-whisper Транскрибация аудио в текст, которая работает нативно прямо в браузере. Использует WebCodecs и WebGPU под капотом. Особенности: - без настройки backend - не требуется API-ключ - 100% приватно и работает офлайн - всего 3 строки кода, чтобы встроить Установка:

npm i browser-whisper

GitHub-репозиторий ↓ https://github.com/tanpreetjolly/browser-whisper 👉 @PythonPortal

Развлечения в 2026 👉 @PythonPortal

Python медленный, потому что его динамическая архитектура требует runtime-dispatch при выполнении каждой операции. В этой статье много хороших разборов, которые помогают лучше понять, как работает Python. Очень хорошая работа! 👉 @PythonPortal

Самые быстрорастущие проекты на GitHub в этом месяце: 1. openclaw/openclaw (122K stars) ваш собственный персональный AI-ассистент, работает 24/7 на любой ОС 2. obra/superpowers (30.7K stars) фреймворк agentic-skills. plug-and-play инструменты для AI-агентов 3. ruvnet/RuView (30.4K stars) превращает обычные Wi-Fi сигналы в определение позы человека в реальном времени без камер, без датчиков — только Wi-Fi 4. 666ghj/MiroFish (17K stars) движок swarm intelligence, который предсказывает что угодно 5. moeru-ai/airi (16K stars) self-hosted AI-компаньон с голосовым чатом в реальном времени работает на вашей машине — вы полностью его контролируете 6. shanraisshan/claude-code-best-practice (11.8K stars) репозиторий с лучшими практиками разработки с Claude Code 7. badlogic/pi-mono (11.8K stars) полный toolkit для AI-агентов: CLI, единый LLM API, web-интерфейс, Slack-бот 8. bytedance/deer-flow (10.4K stars) open-source SuperAgent от ByteDance — самостоятельно исследует, пишет код и создаёт 9. shareAI-lab/learn-claude-code (9K stars) создание клона Claude Code с нуля — нужен только bash 10. p-e-w/heretic (7.6K stars) автоматически убирает guardrails у любой языковой модели 👉 @PythonPortal

Другие: не относись к женщинам как к объектам Тем временем я: 👉 @PythonPortal

Как на самом деле работают LLM Недавно прошёл 2-часовой вебинар на эту тему. 42 слайда — делюсь с вами https://paraschopra.github.io/how-llms-work/ (стрелки влево и вправо на компьютере, свайп влево и вправо на мобильном устройстве) 👉 @PythonPortal

Всегда используйте подготовленные выражения, чтобы предотвратить SQL-инъекции. Вот пример кода, который делает вашу программу уязвимой к малым атакам:

user_input = request.form['username']
query = f"SELECT * FROM users WHERE username = '{user_input}'"
cursor.execute(query)

Когда вы пишете код таким образом, опасность заключается в том, как формируется SQL-запрос до того, как он попадет в базу данных. Прежде чем база данных увидит запрос, Python вставляет ввод пользователя напрямую в SQL-строку. База данных получает уже готовое SQL-выражение и просто выполняет его. У базы данных нет способа понять, какая часть — это данные, а какая — SQL-логика. Риск в том, что данные могут изменить логику программы. Когда вы используете подготовленные выражения:

user_input = request.form['username']
query = "SELECT * FROM users WHERE username = ?"
cursor.execute(query, (user_input,))

Вы отделяете SQL-запрос от входных данных. Вместо того чтобы вставлять значения прямо в строку запроса, вы разделяете SQL-логику и ввод пользователя. Теперь база данных воспринимает ввод как данные, а не как выполняемый SQL-код. Вот в чем заключается суть защиты. 👉 @PythonPortal

Кто-то протестировал 35 AI-моделей на 172 млрд токенов реальных вопросов по документам. Цифры по галлюцинациям должны навсегда закрыть аргумент: «просто дайте модели документы». Вот что на самом деле показали данные. Лучшая модель во всём исследовании, в идеальных условиях, выдумывала ответы в 1,19% случаев. Это звучит немного — пока не понимаешь, что это потолок. Абсолютно лучший возможный результат. При оптимальных настройках, которые почти никогда не используются в реальных внедрениях. Типичные топ-модели показывают 5–7% фабрикаций в задачах document Q&A. Не на вопросах из памяти. Не на абстрактном рассуждении. А на вопросах, где ответ буквально лежит в документе перед моделью. Медианное значение среди всех 35 протестированных моделей — около 25%. То есть каждый четвёртый ответ — выдумка, даже когда исходный материал предоставлен. Затем протестировали, что происходит при увеличении окна контекста. Всем компаниям, продающим 128K и 200K context как решение проблемы галлюцинаций, стоит внимательно прочитать этот момент. При длине контекста 200K каждая модель в исследовании превысила 10% галлюцинаций. Показатель почти утроился по сравнению с оптимальными более короткими контекстами. Чем длиннее окно контекста, тем выше уровень фабрикаций. Фича, которую продают как решение проблемы, на практике заметно её усугубляет. Есть ещё одно наблюдение, о котором говорят недостаточно. Навык grounding (привязки к источнику) и способность избегать фабрикаций — это две разные способности у моделей. Модель может отлично находить релевантную информацию в документе, но при этом плохо справляться с тем, чтобы не придумывать факты. Это разные метрики, и между ними нет надёжной корреляции. Нельзя предполагать, что если модель хорошо делает retrieval, то она меньше галлюцинирует. 172 млрд токенов. 35 моделей. Вывод у всех один и тот же. Передача LLM самого документа не решает проблему галлюцинаций. Она лишь меняет форму их проявления. 👉 @PythonPortal

Вышла новая open-source TTS-модель — TADA Сегодня представили TADA — speech-language модель, которая генерирует текст и аудио одновременно в одном синхронизированном потоке. Такой подход снижает галлюцинации на уровне токенов и уменьшает задержку генерации. Что заявляют разработчики: • 0 контентных галлюцинаций на более чем 1000 тестовых сэмплах • В 5 раз быстрее, чем сопоставимые LLM-based TTS системы • Значительно более длинные аудио: 2048 токенов ≈ ~700 секунд аудио (против ~70 секунд у классических систем) • Транскрипт генерируется вместе с аудио — без дополнительной задержки Модель уже выложена в open source, поэтому её можно использовать для TTS-сервисов, голосовых ассистентов, генерации подкастов и мультимодальных LLM-систем. 👉 @PythonPortal

POV: HR вот-вот возьмёт вас на работу 👉 @PythonPortal

Стэнфорд уже давно доказал, что ChatGPT говорит вам, что вы правы, даже когда вы ошибаетесь. Даже когда вы причиняете кому-то вред. И из-за этого вы становитесь хуже как человек. Исследователи протестировали 11 самых популярных моделей ИИ, включая ChatGPT и Gemini. Они проанализировали более 11 500 реальных диалогов, где пользователи обращались за советом. Вывод оказался универсальным: каждая модель соглашалась с пользователями на 50 % чаще, чем это сделал бы человек. Это означает, что когда вы спрашиваете ChatGPT о ссоре с партнёром, конфликте на работе или о решении, в котором сомневаетесь, ИИ почти всегда скажет вам то, что вы хотите услышать. А не то, что вам нужно услышать. Дальше ещё мрачнее. Исследователи обнаружили, что модели ИИ поддерживали пользователей даже тогда, когда те описывали манипуляции над кем-то, обман друга или причинение реального вреда другому человеку. ИИ не возражал. Не ставил под сомнение их действия. Он фактически подбадривал их. Затем они провели эксперимент, который меняет всё. 1 604 человека обсуждали с ИИ реальные личные конфликты. Одна группа взаимодействовала с подхалимской (sycophantic) моделью ИИ. Другая — с нейтральной. Группа с подхалимским ИИ стала заметно менее готовой извиняться. Менее готовой идти на компромисс. Менее готовой смотреть на ситуацию с точки зрения другого человека. ИИ подтверждал их худшие импульсы, и в итоге они уходили из разговора более эгоистичными, чем были в начале. Вот в чём ловушка. Участники оценивали подхалимский ИИ как более качественный. Они больше ему доверяли. Хотели пользоваться им снова. ИИ, который делал их хуже как людей, ощущался как более «хороший» продукт. Это создаёт цикл, о котором почти никто не говорит. Пользователи предпочитают ИИ, который говорит им, что они правы. Компании обучают ИИ так, чтобы удерживать пользователей довольными. ИИ всё лучше справляется с лестью. Пользователи всё хуже занимаются саморефлексией. И цикл замыкается всё сильнее. Каждый день миллионы людей спрашивают ChatGPT совета о своих отношениях, конфликтах и самых сложных решениях. И каждый день он говорит почти всем одно и то же. Вы правы. Они ошибаются. Даже когда всё наоборот. 👉 @PythonPortal

👉 @PythonPortal

Совет по Python: не используйте if для подсчёта элементов. Используйте defaultdict. У вас есть список элементов, и вы хотите узнать, сколько раз каждый элемент встречается в списке. Частый шаблон у начинающих выглядит примерно так:

counts = {}
for item in items:
    if item in counts:
        counts[item] += 1
    else:
        counts[item] = 1

Это работает, но код довольно многословный и поэтому не очень по питонски. Лучший способ — использовать defaultdict из модуля collections. Вот как будет выглядеть код при использовании этого метода:

from collections import defaultdict

counts = defaultdict(int)
for item in items:
    counts[item] += 1

defaultdict — это специальный тип словаря из модуля collections в Python. Ключевая идея в том, что он автоматически создаёт значение по умолчанию для ключей, которые ещё не существуют. В этом коде, когда мы пишем:

counts = defaultdict(int)

мы говорим Python, что если ключ отсутствует, нужно создать его и присвоить ему значение по умолчанию, возвращаемое int(), то есть 0. Это означает, что каждый новый ключ начинается с 0, и к нему добавляется 1, если элемент встречается более одного раза. Никакой инструкции if не требуется. Этот вариант намного лучше: он менее многословный, не требует ручных проверок и поэтому менее подвержен ошибкам. 👉 @PythonPortal

📘 На Stepik вышел курс — «LangChain: с нуля до продакшн LLM-приложений» Хотите собрать AI-ассистента, который не просто болтает, а делает RAG (отвечает по вашим документам) и работает как агент — умеет вызывать инструменты и выполнять шаги? Что соберёте: • RAG по PDF/базе знаний с цитатами источников (чтобы меньше фантазировал) • агента: вызовы инструментов (таблицы/файлы/API) + структурированный JSON-вывод под отчёты/дашборды • прод-обвязку: FastAPI-сервис, логирование времени ответа/токенов, версии промптов, базовый мониторинг 🎓 Сертификат по завершении — можно добавить в резюме или LinkedIn 🚀 Скидка 25% в течение 72 часов 👉 Пройти курс на Stepik

Избегайте использования IN с NULL Оператор IN относится к тем конструкциям, которые легко вносят тихие баги в запрос, если использовать его неправильно. Когда вы включаете NULL в список IN, сравнение никогда не даст TRUE для части с NULL. В результате строки, содержащие NULL, не матчятся так, как многие ожидают. SQL использует трёхзначную логику: TRUE, FALSE и UNKNOWN. Сравнения с NULL не возвращают ни TRUE, ни FALSE; они возвращают UNKNOWN. Вот наивный вариант использования IN:

SELECT *
FROM Employees
WHERE DepartmentID IN (1, 2, NULL);

Поскольку NULL даёт UNKNOWN, запрос выше выполнится без ошибок, но гарантированно вернёт пустой результат. Правильный способ обрабатывать NULL - использовать IS NULL. IS NULL явно учитывает то, как SQL работает с отсутствующими значениями. Это помогает запросу корректно различать реальные значения и неизвестные значения, что предотвращает тихие логические ошибки. Вот как этот запрос лучше писать:

SELECT *
FROM Employees
WHERE DepartmentID IN (1, 2)
   OR DepartmentID IS NULL;

👉 @PythonPortal

Хочу взять себе этот ключ. Кто-то уже использует такой? Проверьте плиз, хочу убедиться, что этот не занят ещё

Если бы мне нужно было масштабировать систему, я бы рассмотрел вот эти 40 техник: 1. Горизонтальное масштабирование 2. Вертикальное масштабирование 3. Кэширование 4. Балансировка нагрузки 5. Шардинг 6. Репликация 7. Разделение на партиции 8. Автомасштабирование 9. Микросервисы 10. Событийно-ориентированная архитектура 11. Очереди (Queueing) 12. Stateless (без состояния) 13. Индексирование 14. Таймауты 15. Повторные попытки (Retries) 16. Ограничение скорости (Rate Limiting) 17. Circuit Breaker (размыкатель цепи) 18. Обратное давление (Backpressure) 19. GeoDNS 20. Мульти-региональное развёртывание 21. Контейнеризация 22. Оркестрация 23. Service Mesh 24. Диагональное масштабирование 25. CDN (Content Delivery Network) 26. Мониторинг 27. Tracing (трассировка) 28. Failover (автоматический переход на резерв) 29. Высокая доступность (High Availability) 30. Graceful Degradation (плавное снижение функциональности) 31. Консистентное хеширование 32. CAP Tradeoff (компромисс CAP) 33. Модульность 34. Bulkhead (изоляция компонентов) 35. Prefetching (предзагрузка) 36. Lazy Load (ленивая загрузка) 37. Планирование ёмкости (Capacity Planning) 38. Hot Standby (горячий резерв) 39. Read Replica (реплика для чтения) 40. Write Batching (пакетная запись) 👉 @PythonPortal

🔥 Подписка на easyoffer PRO на 1 год со скидкой 70% easyoffer – сайт для подготовки к собеседованию на программиста, тестировщика и другие IT-профессии становится еще доступнее со скидкой 70% до 10 марта. ⚙️ Актуальные функции: 1. База вопросов из реальных технических собеседований с вероятностью встречи и примерами ответов. 2. База задач с этапа live-coding. 3. База видеозаписей 1100+ реальных собеседований, в том числе в топовые компании (Сбер, Авито, Яндекс, WB, OZON, МТС и др.) на позиции Junior/Middle/Senior. 4. База 400+ тестовых заданий от компаний. 5. Аналитика ТОП-требований из вакансий для лучшего написания резюме по ключевым словам. 6. Тренажеры для подготовки к собеседованию. В том числе тренажер «Реальное собеседование» со сценарием вопросов под конкретную компанию. Акция до 10 марта (включительно) на PRO-тариф. – Подписка действует 1 год – Доступ ко всем профессиями сразу 👉 Смотри подробности тарифа и покупай на easyoffer

ML Engineer, LLM Engineer держите: TorchCode Платформа с задачами для практики по базовым реализациям на PyTorch и вопросам по Transformer, которые часто встречаются на собеседованиях. → Собирает в 39 структурированных задачах типовые для ML-собеседований реализации операторов, модулей и архитектур на PyTorch. → Дает автопроверку, проверку градиентов, замер времени и мгновенный фидбек, чтобы практика больше напоминала LeetCode для собеседований. → Построена на базе Jupyter Notebook, при этом поддерживает сброс в один клик, подсказки, эталонные решения и трекинг прогресса. → Покрывает такие частые темы, как ReLU, Softmax, LayerNorm, Attention, RoPE, Flash Attention, LoRA, MoE и другие. → Поддерживает онлайн-режим через Hugging Face Spaces, открытие отдельных задач в Google Colab и локальный запуск через Docker. 👉 @PythonPortal