Python Portal

Для тех, кто регулярно работает с PDF, где данные как будто намеренно спрятали (таблицы едут, колонки пляшут, сканы, кривой лэйаут) - вот хелпер: PDF-Extract-Kit 1.0. Это специализированная модель для извлечения структурированных данных из документов 👉 @PythonPortal

🤣🤣🤣 👉 @PythonPortal

10 AI-проектов, которые помогут устроиться на работу в 2026 году:

1. RAG-приложение с реальными оценками качества Собери production-RAG с eval’ами, мониторингом и фидбэк-лупами. Стек: OpenAI или Claude + векторная БД + eval’ы Гайд: https://pinecone.io/learn/retrieval-augmented-generation/ 2. Автономный агент для ресёрча Агент, который планирует, ищет, приводит источники и генерирует отчёты. Стек: LangGraph + инструменты + цитирование Пример: https://github.com/langchain-ai/langgraph 3. AI-копилот для службы поддержки Ассистент с human-in-the-loop, гардрейлами и аналитикой. Стек: OpenAI + Zendesk или Intercom + модерация Документация: https://platform.openai.com/docs/guides/assistants 4. Голосовой AI-агент (звонки и бронирование) Принимает реальные звонки, записывает клиентов и делает фоллоу-апы. Стек: Twilio + Whisper + LLM Старт: https://twilio.com/docs/voice 5. AgentOps-дашборд Отслеживание надёжности агентов, стоимости, сбоев и регрессий. Стек: OpenTelemetry + eval’ы Inspo: https://github.com/open-telemetry/opentelemetry-python 6. AI-пайплайн для извлечения данных Массовое извлечение структурированных данных из PDF, писем и изображений. Стек: vision-модели + валидация схем Пример: https://github.com/Unstructured-IO/unstructured 7. AI для код-ревью в GitHub Автоматические саммари PR, флаги рисков и рекомендации. Стек: GitHub Actions + LLM Документация: https://docs.github.com/en/actions 8. Мультиагентный планировщик workflow Агенты-планировщики и исполнители с детерминированными фолбэками. Стек: LangGraph или CrewAI CrewAI: https://github.com/joaomdmoura/crewAI 9. AI-поисковик с актуальными данными Поиск по вебу, форумам и соцсетям с источниками. Стек: search API + reranker’ы Референс: https://meilisearch.com/docs 10. Enterprise-инструмент для защиты промптов Обнаружение prompt injection, утечек данных и небезопасных ответов. Стек: policy-чеки + red teaming Гайд: https://github.com/openai/openai-cookbook/tree/main/examples/Safety

👉 @PythonPortal

Инструменты для автоматизации для различных ситуаций 👉 @PythonPortal

Совет на 2026 год — освойте ВАЙБ-КОДИНГ. ИИ уже пишет код, чинит баги, генерит тесты и документацию быстрее и качественнее любой команды айтишников И те, кто научится вайбкодить сейчас, будут зарабатывать в разы больше тех, кто всё ещё делает всё вручную Разобраться в этом с нуля поможет канал Вайб-кодинг. Там простым языком разбирают, какие инструменты действительно стоит использовать, как собирать проекты от идеи до релиза и что сейчас актуально в вайбкодинге Подписывайтесь, нас уже 15 тысяч: @vibecoding_tg

🤨🤨🤨 👉 @PythonPortal

CLAUDE CODE, но для взлома. Называется shannon. Ты просто указываешь ему сайт, а дальше он пытается его взломать. Полностью автономно, без участия человека. Я навел его на тестовое приложение, и за 90 минут он сам вытащил всю базу пользователей, создал админские аккаунты и обошел логин. https://github.com/KeygraphHQ/shannon 👉 @PythonPortal

9 ключевых концепций искусственного интеллекта, объясненных за 7 минут - Tokenization - Text Decoding - Prompt Engineering - Multi Step AI Agents - RAGs - RLHF - VAE - Diffusion Models - LoRA 👉 @PythonPortal

Тюнинг LLM больше не обязательно должен быть медленным, дорогим и прожорливым к GPU. Открытые инструменты сильно прокачались. Теперь можно дообучать мощные LLM без корпоративного железа. Вот 4 библиотеки, которые стоит знать, чтобы тюнинг был быстрее и дешевле: 1. Unsloth Наверняка самый быстрый способ дообучения LLM на сегодня. ✅До 2× быстрее ✅~70% меньше использования VRAM ✅Работает с Gemma, Qwen, LLaMA, Mistral и другими ✅Запускается на потребительских GPU (даже Colab/Kaggle с ~3GB VRAM 🤯) 2. LLaMA Factory Полный набор для дообучения. ✅Поддержка 100+ моделей ✅CLI + WebUI (подходит новичкам) ✅LoRA, QLoRA, полный и замороженный FT (2–8 бит) ✅Встроенные датасеты, мониторинг тренировки и экспорт моделей 3. DeepSpeed Если идёте на большие масштабы. ✅ZeRO и FSDP для масштабного обучения ✅Оптимизация под multi-GPU и multi-node ✅Проверен в продакшн-LLM тренировках Если вы масштабируете серьёзные модели → это ваш выбор. 4. Axolotl Конфигурационно-ориентированное дообучение, сделанное правильно. ✅Workflow на YAML ✅Поддержка LoRA, QLoRA, DPO, GRPO и мультимодальных моделей ✅Оптимизация памяти на уровне ядра ✅Плавная интеграция с Hugging Face 👉 @PythonPortal

Стратегии обучения на нескольких GPU, объяснённые наглядно: 👉 @PythonPortal

😂😂😂 👉 @PythonPortal

Google выпустил новый инструмент: PaperBanana Умеет создавать академические иллюстрации, готовые к публикации, просто на основе текста с описанием методологии. Без Figma. Без ручного дизайна. Без навыков рисования. Как это работает: Команда AI-агентов трудится за кулисами: → Один ищет подходящие примеры диаграмм → Один планирует структуру → Один оформляет стиль и компоновку → Один генерирует изображение → Один оценивает результат и улучшает его Самое интересное: случайные примеры ссылок работают почти так же хорошо, как идеально подобранные. Главное — показать модели, как выглядят хорошие диаграммы, а не искать идеальный тематический пример. В слепых тестах люди предпочли результаты PaperBanana в 75% случаев. Это та самая рекурсия, которую мы ждали: AI-системы, способные полностью визуально документировать сами себя. Открыта запись в лист ожидания 👉 @PythonPortal

Чувак полностью реализовал архитектуру GPT-OSS-20B с нуля на PyTorch. Все компоненты написаны с нуля: ▪️RoPE с YaRN + NTK-by-parts для масштабирования контекста ▪️RMSNorm ▪️SwiGLU с клэмпингом и residual connections ▪️Mixture-of-Experts (MoE) ▪️Self-Attention, оптимизированный через Grouped Query Attention (GQA) ▪️Learned sinks ▪️Banded (скользящее окно) attention ▪️Поддержка KV-кэширования Всё это работает на одной A100 SXM (80GB). Он также написал подробную документацию с теорией каждого компонента, а также инструкциями по настройке и инференсу. Репозиторий: https://github.com/HamzaElshafie/gpt-oss-20B 👉 @PythonPortal

Онлайн-обучение Python и SQL с экспертами из НИУ ВШЭ В Центре непрерывного образования факультета компьютерных наук НИУ ВШЭ открыт набор на программы повышения квалификации онлайн-формата, обучение на которых позволит вам с нуля освоить ключевые инструменты аналитиков данных — Python и SQL. 1️⃣Python для автоматизации и анализа данных Вы научитесь работать с основными конструкциями и структурами данных в Python. Изучите Numpy и Pandas — фундаментальные библиотеки для науки о данных. Познакомитесь со всеми шагами проведения разведочного анализа данных. Освоите создание Telegram-ботов и поймете, как грамотно собирать данные. Научитесь строить визуализации для презентации данных. 📁Старт — 3 февраля. Присоединиться можно до 10 февраля. Подать заявку 📍 2️⃣SQL для начинающих Вы освоите базовые принципы работы с реляционными базами данных и научитесь грамотно фильтровать и сортировать данные, используя ключевые операторы и выражения. Разберете агрегирующие функции, методы работы с датами и строками и поймете, как устроены связи между таблицами. Научитесь использовать подзапросы и временные таблицы, изучите оконные функции. 📁Старт — 16 февраля. Присоединиться можно до 24 февраля. Подать заявку 📍 Реклама. НИУ "ВШЭ". ИНН 7714030726. erid: 2SDnjcx8Peg

А Нео избавился от влияния вайб кодинга 👉 @PythonPortal

Алгоритм Луна (Luhn) для верификации номера кредитных карт 👉 @PythonPortal

Китайский агент для автоматизации рабочего стола, который работает полностью локально. Он умеет запускать любые приложения, открывать файлы, серфить по сайтам и автоматизировать задачи без подключения к интернету. 100% Open-Source. 👉 @PythonPortal

😂😂😂 👉 @PythonPortal

Большой Python-грех: использовать изменяемый объект как аргумент по умолчанию Не используй изменяемые объекты в качестве значений по умолчанию. В Python значения аргументов по умолчанию вычисляются один раз, в момент определения функции, а не при каждом ее вызове. Если у тебя аргумент по умолчанию выглядит так: items=[], этот список будет общим для всех вызовов, и ты получишь накапливающееся состояние, которого не планировал. Лучший вариант: ставить неизменяемый объект в значение по умолчанию. Тогда каждый вызов будет получать новый список, как в примере 👉 @PythonPortal

5 AI-проектов, которые помогут устроиться на работу в 2026: 1. RAG с нуля GitHub: ссылка 2. AI-агент для соцсетей GitHub: ссылка 3. Анализ медицинских изображений GitHub: ссылка 4. Агенты с tool-calling через MCP Ноутбук: ссылка 5. AI-ассистент с памятью GitHub: ссылка 👉 @PythonPortal