Python RU
رفتن به کانال در Telegram
Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Python RU
کانال Python RU (@pro_python_code) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 12 334 مشترک است و جایگاه 9 826 را در دسته فناوری و برنامه‌ها و رتبه 51 891 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 12 334 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 05 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -45 و در ۲۴ ساعت گذشته برابر -4 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 7.52% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 3.08% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 928 بازدید دریافت می‌کند. در اولین روز معمولاً 380 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 3 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند api, docker, github, sql, linux تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Все для python разработчиков
админ - @haarrp
@python_job_interview - Python собеседования
@ai_machinelearning_big_data - машинное обучение
@itchannels_telegram - 🔥лучшие ит-каналы
@programming_books_it - it книги
@pythonl
РКН: clck.ru/3Fmy2j”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 06 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.
12 334
مشترکین
-424 ساعت
-137 روز
-4530 روز
در حال بارگیری داده...
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+5
در 0 کانال‌ها
سپتامبر '26
+55
در 0 کانال‌ها
Get PRO
اوت '26
+43
در 0 کانال‌ها
Get PRO
ژوئیه '26
+40
در 0 کانال‌ها
Get PRO
ژوئن '26
+31
در 0 کانال‌ها
Get PRO
مه '26
+27
در 0 کانال‌ها
Get PRO
آوریل '26
+18
در 0 کانال‌ها
Get PRO
مارس '26
+32
در 1 کانال‌ها
Get PRO
فوریه '26
+32
در 0 کانال‌ها
Get PRO
ژانویه '26
+38
در 1 کانال‌ها
Get PRO
دسامبر '25
+38
در 0 کانال‌ها
Get PRO
نوامبر '25
+89
در 0 کانال‌ها
Get PRO
اکتبر '25
+57
در 0 کانال‌ها
Get PRO
سپتامبر '25
+79
در 1 کانال‌ها
Get PRO
اوت '25
+66
در 1 کانال‌ها
Get PRO
ژوئیه '25
+288
در 3 کانال‌ها
Get PRO
ژوئن '25
+86
در 1 کانال‌ها
Get PRO
مه '25
+68
در 0 کانال‌ها
Get PRO
آوریل '25
+165
در 0 کانال‌ها
Get PRO
مارس '25
+85
در 2 کانال‌ها
Get PRO
فوریه '25
+142
در 0 کانال‌ها
Get PRO
ژانویه '25
+172
در 0 کانال‌ها
Get PRO
دسامبر '24
+310
در 4 کانال‌ها
Get PRO
نوامبر '24
+190
در 0 کانال‌ها
Get PRO
اکتبر '24
+367
در 2 کانال‌ها
Get PRO
سپتامبر '24
+348
در 3 کانال‌ها
Get PRO
اوت '24
+477
در 2 کانال‌ها
Get PRO
ژوئیه '24
+305
در 2 کانال‌ها
Get PRO
ژوئن '24
+296
در 10 کانال‌ها
Get PRO
مه '24
+388
در 36 کانال‌ها
Get PRO
آوریل '24
+430
در 43 کانال‌ها
Get PRO
مارس '24
+511
در 20 کانال‌ها
Get PRO
فوریه '24
+632
در 3 کانال‌ها
Get PRO
ژانویه '24
+549
در 44 کانال‌ها
Get PRO
دسامبر '23
+543
در 40 کانال‌ها
Get PRO
نوامبر '23
+205
در 2 کانال‌ها
Get PRO
اکتبر '23
+174
در 6 کانال‌ها
Get PRO
سپتامبر '23
+438
در 0 کانال‌ها
Get PRO
اوت '23
+540
در 0 کانال‌ها
Get PRO
ژوئیه '23
+362
در 0 کانال‌ها
Get PRO
ژوئن '23
+748
در 0 کانال‌ها
Get PRO
مه '23
+350
در 0 کانال‌ها
Get PRO
آوریل '23
+148
در 0 کانال‌ها
Get PRO
مارس '23
+210
در 0 کانال‌ها
Get PRO
فوریه '23
+356
در 0 کانال‌ها
Get PRO
ژانویه '23
+187
در 0 کانال‌ها
Get PRO
دسامبر '22
+117
در 0 کانال‌ها
Get PRO
نوامبر '22
+267
در 0 کانال‌ها
Get PRO
اکتبر '22
+933
در 0 کانال‌ها
Get PRO
سپتامبر '22
+485
در 0 کانال‌ها
Get PRO
اوت '22
+411
در 0 کانال‌ها
Get PRO
ژوئیه '22
+636
در 0 کانال‌ها
Get PRO
ژوئن '22
+1 029
در 0 کانال‌ها
Get PRO
مه '22
+1 476
در 0 کانال‌ها
Get PRO
آوریل '22
+1 378
در 0 کانال‌ها
Get PRO
مارس '22
+751
در 0 کانال‌ها
Get PRO
فوریه '22
+205
در 0 کانال‌ها
Get PRO
ژانویه '22
+241
در 0 کانال‌ها
Get PRO
دسامبر '21
+193
در 0 کانال‌ها
Get PRO
نوامبر '21
+900
در 0 کانال‌ها
Get PRO
اکتبر '21
+697
در 0 کانال‌ها
Get PRO
سپتامبر '21
+142
در 0 کانال‌ها
Get PRO
اوت '21
+315
در 0 کانال‌ها
Get PRO
ژوئیه '21
+503
در 0 کانال‌ها
Get PRO
ژوئن '21
+1 124
در 0 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 06 اکتبر | +1 | |||
| 05 اکتبر | +1 | |||
| 04 اکتبر | 0 | |||
| 03 اکتبر | +1 | |||
| 02 اکتبر | +1 | |||
| 01 اکتبر | +1 |
پست‌های کانال
🐍 Python умеет сравнивать числа как в математике
Проверку диапазона можно записать короче:
# Вместо
if 60 < heart_rate and heart_rate < 100:
print("В пределах диапазона")
# Пишем
if 60 < heart_rate < 100:
print("В пределах диапазона")
0 <= score <= 100
60 < get_value() < 100 функция вызывается только один раз. А если повторить вызов по обе стороны and, она может выполниться дважды.| 2 |  Hugging Face исследовали multi-harness RL: обучение с подкреплением сразу через Claude Code, Codex, OpenCode и Mini-SWE-Agent.
Для этого объединили три проекта:
• OpenEnv записывает обращения к модели, токены и вероятности генерации.
• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.
• TRL использует собранные данные для обучения.
Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.
По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.
Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.
📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl | 605 |
| 3 |  DeepSeek Harness вышел на десктоп: плагины без терминала и задачи по расписанию
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/ | 884 |
| 4 | Пишем игру на Python: неоновая аркада с разбором кода и ИИ
Pygame часто считают библиотекой для школьных проектов, и зря. На нём за вечер собирается динамичная аркада с неоновой графикой, частицами, тряской камеры и волнами врагов, которая выглядит как маленькая инди-игра.
В этой статье мы напишем такую игру на Python с нуля, разберём каждый важный кусок кода и покажем, как ускорить разработку с помощью ИИ-ассистентов и грамотных промптов.
В конце вас ждёт полный код, который можно скопировать и сразу запустить.
https://uproger.com/pishem-igru-na-python-neonovaya-arkada-s-razborom-koda-i-ii/ | 926 |
| 5 |  بدون متن... | 881 |
| 6 |  بدون متن... | 952 |
| 7 |  🐧 Linux Cheat Sheet - шпаргалка по командам Linux
Самая удобная шпаргалка по Linux и Bash на русском: теория простым языком (как устроены файлы, процессы, права, память, загрузка и сеть), команды терминала, права доступа, процессы, сеть, SSH, systemd, grep/sed/awk, Vim и готовые однострочники - с примерами.
А для тех, кто идёт дальше, - продвинутый уровень: Bash для профи, LVM и RAID, трассировка и производительность, ядро, безопасность, контейнеры, восстановление системы и вопросы с собеседований.
https://github.com/justxor/Linux-/ | 984 |
| 8 |  10 агентов Claude теоретически обошли алгоритм Дейкстры
В Vals AI запустили 10 агентов Claude Opus 5.5, которые за 15 часов и 733 сообщения разработали алгоритм C-HD для поиска кратчайших путей в ориентированных графах.
Для графов с определённой плотностью сложность снизилась с O(n log n) у Дейкстры до O(n log¹¹⁄¹² n). Корректность и оценка времени работы формально подтверждены доказательством в Lean.
Но это пока теоретический результат. Алгоритм не тестировали на крупных реальных графах, константы велики, а улучшение действует только в ограниченном диапазоне входных данных.
Главное здесь другое: группа ИИ-агентов смогла самостоятельно разработать алгоритм и подготовить его формальное доказательство всего за 15 часов.
https://www.vals.ai/blogs/faster-shortest-path-algorithm | 1 146 |
| 9 |  🌟 Prism ML собрала тернарную версию Qwen3.8-27B
Bonsai 2 27B - сжатая Qwen3.8-27B, которая занимает 5,9 ГБ против примерно 54 ГБ у исходной модели в FP16 и сохраняет 98,2% её среднего результата на бенчмарках.
Prism ML - американский стартап из команды Калтеха, вышедший из стелс-ркжима весной 2026 года с анонсом первой версии моделей Bonsai.
Основатель и руководитель - профессор Калтеха Бабак Хассиби, специалист по теории сжатия. Среди инвесторов стартапа Cerberus, Google и Samsung.
Модель рассчитана на локальный запуск на потребительском оборудовании, имеет контекст в 262 тысячи токенов и может обрабатывать изображения и вызывать инструменты.
Целевые сценарии - агенты в редакторе кода, работа с компьютером, разбор документов без отправки их в облако.
Вес в тернарном квантовании хранится не числом, а одним из трёх знаков: минус, ноль или плюс. Сами величины задаются отдельно - веса разбиты на группы по 128, и у каждой группы один общий множитель в FP16.
В пересчёте на один вес это 1,72 бита против 16 у исходной модели. Перед сжатием веса каждой матрицы разворачивают фиксированным преобразованием Адамара, сам разворот вписан в веса, но при работе его нужно повторить на входных данных, иначе модель выдаёт бессмыслицу.
Распознавание картинок сжатие не проходило, лежит отдельным файлом на 0,6 ГБ и подгружается только тогда, когда на вход пришло изображение, так что текстовые задачи его не задействуют.
🟡В релизе три варианта
🟢GGUF в двух упаковках: PTQ1_0 (1,75 бита, 5,95 ГБ, быстрее на картах Ada и L4) и PQ2_0 (2,13 бита, 7,21 ГБ, быстрее на H100 и Blackwell);
🟢сборка под MLX на 8,60 ГБ вместе со зрением;
🟠тестовая упаковка Q2_0 для доработки ядер.
Для GGUF нужен специальный форк llama.cpp от Prism ML, для MLX - загрузчик из самого пакета.
🟡Бенчмарки
Замеры Prism ML считали через EvalScope и vLLM на H100, в режиме рассуждения, всего провели 14 тестов. Сравнивали со сборки той же Qwen3.8-27B в квантованиях UD-Q4_K_XL и IQ2_XXS.
Среднее по всем тестам: 84,78 против 86,32 у FP16 и 72,59 у IQ2_XXS. До четырёхбитной сборки не хватило 0,4 пункта при втрое меньшем размере.
AIME26: 95,83 против 94,58 у FP16 и 57,50 у IQ2_XXS.
LiveCodeBench: 90,07 против 90,05 и 56,40 соответственно.
BFCL v3 (вызов инструментов): 74,92 против 76,74 у FP16.
MMMU-Pro: 75,49 против 81,73.
Скорость генерации на RTX 5090 примерно 129 токенов в секунду, на ноутбучном M5 Pro - 28 токенов в секунду.
📌Лицензирование: Apache 2.0
🟡Блогпост
🟡Веса
🟡Техотчет
🟡Демо на WebGPU
🟡Сообщество в Discord
🖥GitHub
@ai_machinelearning_big_data
#AI #ML #LLM #Bonsai #PrizmML | 839 |
| 10 |  Kubernetes NodeLocal DNSCache: ускоряем DNS-запросы 🚀
Без NodeLocal DNSCache DNS-запрос от Pod проходит через:
Service IP → kube-proxy → DNAT → conntrack → CoreDNS
В нагруженных кластерах это увеличивает задержки и создаёт дополнительную нагрузку на таблицу conntrack.
NodeLocal DNSCache запускает локальный DNS-кеш на каждой ноде как DaemonSet:
Pod → локальный DNS-кеш → CoreDNS
Если запись уже есть в кеше, Pod получает ответ прямо с текущей ноды. При промахе запрос передаётся в CoreDNS.
Преимущества
- быстрее обрабатываются повторные DNS-запросы;
- снижается нагрузка на CoreDNS;
- уменьшается межнодовый DNS-трафик;
- обходятся kube-proxy и DNAT;
- сокращается количество UDP-записей в conntrack;
- доступны DNS-метрики отдельно для каждой ноды.
NodeLocal DNSCache стабилен с Kubernetes 1.18, но обычно его нужно включать отдельно и развернуть node-local-dns как DaemonSet.
🔗 Официальная документация Kubernetes: https://kubernetes.io/docs/tasks/administer-cluster/nodelocaldns/ | 800 |
| 11 |  🔥 Один из лучших обучающих курсов на StepiK по SQL
SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.
Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.
Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.
После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.
Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/ | 1 123 |
| 12 |  ⚡️ DeepSeek открыла веса V4.1-Flash
DeepSeek выложила свежайшую DeepSeek-V4.1-Flash, мультимодальную MoE-модель на 552 млрд параметров, с контекстом до миллиона токенов и методом Causal Encoder-Decoder под капотом, который вдвое удешевляет разбор входа.
Задача, под которую её делали, скучная, но дорогая. Долго работающий агент постоянно перечитывает свой контекст, и всё прочитанное приходится держать в KV-кэше.
На длинных дистанциях он раздувается, забивает видеопамять и упирается в пропускную способность шин.
В V4.1-Flash кэш сжат до 890 байт на токен, это вчетверо меньше, чем у V4-Flash, и в 437 раз, чем у первой версии DeepSeek.
Каждому слою внимания заранее назначен один из трёх режимов:
🟢в полном слой считает свои ключи и значения сам;
🟢в режиме переиндексации берёт их у предыдущего слоя, но заново выбирает, на что смотреть;
🟢в режиме повторного использования не считает ничего - берёт и чужой кэш, и чужой выбор.
Так хранить приходится в разы меньше. Сверху главный кэш держится в четырёхбитном формате FP4, и устойчивость к такой точности натренирована, а не добавлена после обучения.
🟡Causal Encoder-Decoder
Метод вдохновлен майкрософтовской работой You Only Cache Once про переиспользование KV-кэша слоями. DeepSeek внесла в него структурные улучшения, чтобы поднять ёмкость кэша и глубину вычислений при его порождении.
40 слоёв разделены пополам: 20 на энкодер, 20 - декодер. К и V для декодера не считаются в каждом его слое, а проецируются из последнего скрытого состояния энкодера.
Поэтому при разборе входа работает только первая половина сети - 8 млрд активных параметров на токен против 16 при генерации ответа.
Для агентов, у которых вход в разы длиннее вывода, это именно то, что нужно.
🟡Бенчмарки
На DeepSWE v1.1 модель берёт 74,2% против 74,0 у Claude Opus 5 и 73,0 у GPT-5.6 Sol.
На Terminal-Bench 2.1 - 90,6% (выше всех).
На AutomationBench - 54,8% против 50,3 у Opus 5.
А вот в Terminal-Bench 4.0, где нужны экспертные знания в науке, модель даёт 31,2% против 51,8 у Opus 5, то есть разрыв с топами на самых сложных задачах никуда не делся.
Модель поддерживает настраиваемый уровень рассуждений от 1 до 100, в API это три пресета: low, high, max - они соответствуют значениям 50, 75 и 100.
Шаблона чата в Jinja нет - вместо него советуют реализацию промптов на Python и отдельный набор Rust-библиотек.
Сообщество на Hugging Face уже сделало квантованные версии практически под всё.
📌Лицензирование: MIT License
🟡Блогпост
🟡Веса
🟡Техотчет
@ai_machinelearning_big_data
#AI #ML #MMLM #MoE #Deepseek | 946 |
| 13 |  Команды ждут тебя на треке программирование роботов на МТС True Tech Champ 2026 — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.
Успей зарегистрироваться до 13 сентября.
В треке программирования роботов тебе предстоит запрограммировать робособаку для доставки груза через полосу препятствий сначала в онлайн-симуляторе, а затем на офлайн-полигоне в финале 22 октября. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.
Участие в командах 2-5 человек. Если у тебя нет своей команды, кураторы помогут объединиться с другими участниками на платформе.
Масштабный финал объединит борьбу за призовой фонд 10 250 000 рублей, выступления хедлайнеров, доклады спикеров и активности для всех гостей мероприятия.
Успей зарегистрироваться и пройти квалификацию до 13 сентября.
erid:2VSb5xVWJTL | 860 |
| 14 |  ⚡️ DeepSeek выпустила V4.1 Flash
Ноую модель уже раскатывают в веб-чате и мобильных приложениях. Прежние режимы - быстрый, экспертный и распознавание изображений свели в один: выбирать вручную больше ничего не нужно.
Теперь одна модель ведёт и обычный диалог, и разбор картинок, и сложные вопросы. Сложность запроса она определяет сама, а зрение включает, когда на вход приходит изображение.
По словам DeepSeek, V4.1 Flash обходит V4 Pro по качеству, стоимости и скорости. До выхода V4.1 Pro она возьмёт на себя все запросы, которые раньше уходили на V4 Pro.
@ai_machinelearning_big_data
#news #ai #ml | 990 |
| 15 |  Как обучить свою нейросеть на Python в 2026 году: пошаговый гайд для начинающих
https://uproger.com/obuchit-nejroset-na-python/ | 1 180 |
| 16 |  بدون متن... | 1 168 |
| 17 |  False Sharing: два ядра, никаких lock, а всё тормозит. Почему?
Два потока пишут в разные переменные a и b, блокировок нет, а код всё равно упирается в потолок. Виноват false sharing: a и b лежат в одной cache line на 64 байта, и каждая запись одного ядра сбрасывает копию линии у второго. CPU гоняет кэш туда-сюда вместо полезной работы. Лечится разнесением горячи
https://youtube.com/shorts/piUddxoKcoY?feature=share | 1 260 |
| 18 |  ⚡️ Google открыла TimesFM 3 для прогнозирования временных рядов.
Модель уже доступна на GitHub и Hugging Face и рассчитана на задачи forecasting без необходимости обучать отдельную модель с нуля под каждый датасет.
Подходит для:
- прогнозирования продаж
- нагрузки и трафика
- финансовых и бизнес-метрик
- спроса
- сенсорных и временных данных
TimesFM 3 можно запускать локально и использовать как готовую базовую модель для time-series задач.
GitHub: https://github.com/google-research/timesfm
Hugging Face: https://huggingface.co/google/timesfm-3.0-pytorch | 1 256 |
| 19 |  🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash Uncensored
Модель: 320B параметров, 18B активных.
Доступные варианты:
- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1
Подходит для запуска на CPU + GPU, включая Apple Silicon.
Это не jailbreak: удаление отказов зашито прямо в веса модели.
API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash
Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF | 1 233 |
| 20 |  بدون متن... | 1 316 |
