Python Community

🚀 Open-source прорыв: PrismAudio Вышла модель PrismAudio и она уже забирает SOTA в генерации аудио из видео (V2A) Что важно: - 518M модель, принята на ICLR 2026 - обходит все аналоги по качеству звука - быстрее конкурентов: ~0.63s на инференс Главная фишка: модель думает не одним блоком, а разбивает задачу на 4 части: - смысл (что происходит) - время (когда звучит) - эстетика (как звучит) - пространство (где звучит) И обучается через RL прямо внутри этого процесса Результат: - топ по всем метрикам (CLAP, MOS и др.) - лучше MMAudio, ThinkSound и HunyuanVideo - стабильно работает даже вне обучающего датасета Плюс: выпустили новый бенчмарк AudioCanvas - 800+ сценариев со звуками Model: https://modelscope.ai/models/iic/PrismAudio Demo: https://modelscope.cn/studios/iic/PrismAudio Paper: https://modelscope.ai/papers/2511.18833 GitHub: https://github.com/FunAudioLLM/ThinkSound/tree/prismaudio 🐍 Python полезные ресурсы ( ) () @Python_Community_ru

💻 Большинство систем безопасности слепы не из-за отсутствия инструментов, а из-за отсутствия данных. Если аудит в Windows настроен формально — система событий есть, но пользы от неё нет. На открытом уроке разберём, как превратить операционную систему в полноценный источник данных для систем класса SIEM. Мы покажем, как работает журнал событий Windows, как настраивать расширенный аудит, какие события действительно важны и как организовать их сбор. Разберём установку агента Wazuh и практические подходы к построению наблюдаемости. Вы получите чёткое понимание, как формируется телеметрия и как сделать её пригодной для анализа и выявления инцидентов. 🗓 Урок пройдет 8 апреля в 20:00 МСК в преддверии старта курса «Специалист по внедрению SIEM». 👉 Зарегистрируйтесь и начните работать с данными, а не просто собирать их: https://clck.ru/3Sh8zz Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🛰️ Shadowbroker: Реальное геопространственное разведывательное решение Shadowbroker — это платформа для анализа открытых источников, которая в реальном времени агрегирует данные о глобальных событиях, таких как авиаперелеты, морское движение, спутники и конфликты. Идеально подходит для аналитиков и исследователей, желающих получить целостный обзор мировых событий на едином интерфейсе. 🚀Основные моменты: - Отслеживание частных и коммерческих авиарейсов - Мониторинг морского трафика и военных кораблей - Геолокация спутников и анализ их миссий - Информация о глобальных конфликтах и событиях - Доступ к CCTV и сигналам GPS в реальном времени 📌 GitHub: https://github.com/BigBodyCobain/Shadowbroker 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🚀 Автономный помощник для подачи заявок на работу ApplyPilot - это мощный инструмент для автоматизации процесса подачи заявок на работу. Он ищет вакансии на нескольких платформах, оценивает их с помощью ИИ, адаптирует ваше резюме и отправляет заявки без вашего участия. Просто настройте один раз и позвольте системе работать за вас. 🚀 Основные моменты: - Полная автоматизация подачи заявок на работу - Оценка вакансий по соответствию вашему резюме - Генерация адаптированных резюме и сопроводительных писем - Поддержка множества платформ для поиска вакансий - Открытый исходный код и бесплатный доступ к API 📌 GitHub: https://github.com/Pickle-Pixel/ApplyPilot 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

💻В 1С-проектах код пишут не в одиночку. И именно здесь начинаются проблемы: конфликты, ошибки, потерянные доработки и хаос в версиях. Без выстроенного процесса разработки даже сильная команда теряет скорость и качество. На открытом уроке разберём, как организовать работу с кодом так, чтобы она стала управляемой и предсказуемой. Мы покажем, как работает ветвление, как внедрить GitFlow в 1С-проекты, как оформлять Pull Request и зачем нужен Code Review. Вы поймёте, как снижать количество ошибок и выстраивать прозрачный процесс разработки. Вы получите практический навык, который можно применять сразу в работе. 🗓 Урок пройдет 7 апреля в 19:00 МСК в преддверии старта💻 — вы сможете заранее оценить подход и глубину обучения. 👉 Зарегистрируйтесь и начните управлять процессом разработки, а не разбирать последствия: https://clck.ru/3SceN4 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

‍🤖 Chat an idea - get a full research paper. Появился интересный open-source проект - AutoResearchClaw. Это система автономного AI-ресёрча: вы просто пишете идею исследования, а агент запускает полный исследовательский цикл автоматически. Что делает система: • генерирует гипотезу и план исследования • ищет и анализирует научные работы • запускает эксперименты • пишет код и анализирует результаты • формирует графики и выводы • собирает готовую научную статью Фактически это AI-pipeline “от идеи до paper”. Один запрос → полный research workflow без участия человека. Проект построен как мульти-агентная система, где разные агенты выполняют отдельные задачи: поиск литературы, эксперименты, анализ и написание текста. Такие системы могут сильно ускорить: • научные исследования • ML-эксперименты • генерацию идей и гипотез • подготовку академических статей https://github.com/aiming-lab/AutoResearchClaw #AI #LLM #AIAgents #MachineLearning #Research 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🚀 Себастьян Рашка собрал в одном месте галерею архитектур современных языковых моделей. Внутри - 40+ моделей (2024–2026): от DeepSeek и Qwen до Nemotron и Grok. Для каждой модели есть: • наглядная схема архитектуры • размер и число параметров • тип декодера • ссылки на технические отчёты и конфиги • иногда даже реализации По сути это единая карта современных LLM, где можно быстро посмотреть, как устроены разные модели и как эволюционируют архитектуры. https://sebastianraschka.com/llm-architecture-gallery/ 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

Cua (https://github.com/trycua/cua) — это Docker для агентов, использующих компьютер — он позволяет агентам ИИ управлять полноценными операционными системами в виртуальных контейнерах и развертывать их локально или в облаке. — Всего ~1,000 строк кода — легко читать, расширять и встраивать — Поддержка OpenAI, Anthropic, Mistral и других LLM-провайдеров https://github.com/trycua/cua 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🤖 Python библиотеки для AI-агентов — что изучать Если вы хотите разрабатывать AI-агентов на Python, важно понимать порядок изучения библиотек. Начните с LangChain, CrewAI или SmolAgents — они позволяют быстро собрать простых агентов, подключить инструменты и протестировать идеи. Следующий уровень — LangGraph, LlamaIndex и Semantic Kernel. Эти инструменты уже используются для production-систем: RAG, orchestration и сложные workflow. Самый сложный уровень — AutoGen, DSPy и A2A. Они нужны для автономных мультиагентных систем и оптимизации LLM-пайплайнов. LangChain — простые агенты, инструменты и память github.com/langchain-ai/langchain CrewAI — мультиагентные системы с ролями github.com/joaomdmoura/crewAI SmolAgents — лёгкие агенты для быстрых экспериментов github.com/huggingface/smolagents LangGraph — orchestration и stateful workflow github.com/langchain-ai/langgraph LlamaIndex — RAG и knowledge-агенты github.com/run-llama/llama_index Semantic Kernel — AI workflow и плагины github.com/microsoft/semantic-kernel AutoGen — автономные мультиагентные системы github.com/microsoft/autogen DSPy — оптимизация LLM-пайплайнов github.com/stanfordnlp/dspy A2A — протокол взаимодействия между агентами github.com/a2aproject/A2A 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

‍🖥 ByteDance только что выпустили в открытый доступ - OpenViking, и этот проект показывает, что именно не так с тем, как сегодня строят память для AI-агентов. Вот где большинство агент-фреймворков ошибаются: Память хранится в одном месте. Ресурсы — в другом. Навыки разбросаны по системе. Когда агенту нужен контекст, обычно делают плоский векторный поиск и просто надеются на лучший результат. Именно это и проблема. OpenViking решает её одной идеей: рассматривать контекст агента как файловую систему. Всё работает через единый протокол: viking:// Память, ресурсы и навыки организованы как директории с уникальными URI. Агент может ls, find и навигировать по контексту, как разработчик в терминале. Главный прорыв — многоуровневая загрузка контекста: - L0 — одно предложение для быстрого поиска - L1 — обзор ~2000 токенов для принятия решений - L2 — полные детали, загружаются только когда действительно нужны Большинство агентов просто загружает всё в контекст и надеется на лучшее. OpenViking загружает только нужные данные и только в нужный момент. Результат: - меньше расходов на токены - выше точность - быстрее работа агентов Retrieval теперь тоже работает логичнее. Вместо одного плоского семантического поиска: 1. сначала происходит позиционирование на уровне директорий 2. затем рекурсивный поиск внутри наиболее релевантных директорий Можно буквально видеть траекторию поиска — это больше не чёрный ящик. Есть и механизм самоэволюции агента. В конце каждой сессии система автоматически: - извлекает новые знания - обновляет память агента - обновляет память пользователя То есть агент становится умнее с каждым использованием. Проект уже имеет: - 9K звёзд на GitHub - 13 контрибьюторов Разработан командой ByteDance Viking, которая строит инфраструктуру векторного поиска с 2019 года. Проект полностью open-source под лицензией Apache 2.0. https://github.com/volcengine/OpenViking 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🐍 Почему ошибки валидации в Python иногда так сложно найти Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка. Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема. В сложных вложенных структурах это превращает отладку в настоящую боль. Pydantic решает эту проблему. Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута. В результате сразу понятно, где искать проблему. Пример: from pydantic import BaseModel, Field class Address(BaseModel): zip_code: str = Field(pattern=r"^\d{5}$") class Customer(BaseModel): name: str address: Address customer = Customer( name="Alice", address={"zip_code": "9ABC1"} ) Ошибка будет выглядеть так: ValidationError: address.zip_code String should match pattern '^\d{5}$' То есть Pydantic сразу показывает: address.zip_code А не просто сообщает, что «где-то внутри данных ошибка». Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг. #Python #Pydantic #Backend #DataValidation 🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🐍 Python полезные ресурсы (https://t.me/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

⚡️ Языки программирования и время, которое потребовалось для выпуска первой версии. Многие думают, что язык программирования можно сделать быстро. Но на практике на это уходят годы. Rust разрабатывали девять лет, Kotlin и C++ около шести, Go и Java примерно пять. Даже Python готовили два года перед первым релизом. Есть знаменитое исключение - JavaScript. Его написали всего за десять дней в 1995 году, и многие странности языка до сих пор связаны именно с такой скоростью разработки. Это хороший пример того, что создание фундаментального инструмента требует времени и большого количества экспериментов. 🦀 Rust - 9 лет (2006 → 2015) 🤖 Kotlin - 6 лет (2010 → 2016) ⚙️ C++ - 6 лет (1979 → 1985) ☕ Java - 5 лет (1991 → 1996) 🐹 Go - 5 лет (2007 → 2012) 🍎 Swift - 4 года (2010 → 2014) 🔧 C - 3 года (1969 → 1972) 🧬 Scala - 3 года (2001 → 2004) 📊 Julia - 3 года (2009 → 2012) 🐍 Python - 2 года (1989 → 1991) 🌐 JavaScript - 10 дней (1995) 💎 Ruby - 2 года (1993 → 1995) 🐘 PHP - 1 год (1994 → 1995) 🔷 C# - 2 года (1998 → 2000) 🎯 TypeScript - 2 года (2010 → 2012) 🎯 Dart - 2 года (2009 → 2011) ⚡ Elixir - 2 года (2011 → 2013) 🧠 Haskell - 3 года (1987 → 1990) 🧩 Objective-C - 1 год (1983 → 1984) 🐍 Python полезные ресурсы (https://t.me/addlist/8vDUwYRGujRmZjFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

🎙 TADA (Text Audio Dual Alignment) - речевая AI-система нового типа. Она генерирует текст и аудио одновременно в одном синхронизированном потоке. Это позволяет снизить галлюцинации на уровне токенов и значительно уменьшить задержку. Что показали тесты: → 0 галлюцинаций контента на 1000+ тестовых примеров → в 5 раз быстрее, чем похожие LLM-решения для TTS → намного длиннее аудио: 2048 токенов покрывают ~700 секунд речи (в обычных системах около 70 секунд) → транскрипт генерируется сразу вместе с аудио без дополнительной задержки По сути, модель думает текстом и голосом одновременно, что делает генерацию речи быстрее и точнее. https://huggingface.co/collections/HumeAI/tada 🐍 Python полезные ресурсы (https://t.me/addlist/8vDUwYRGujRmZjFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

Можно, а зачем? 🐍 Python полезные ресурсы (https://t.me/addlist/8vDUwYRGujRmZjFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru

‍🔥 Андрей Карпати выложил в open-source проект autoresearch. Идея проста, но мощная: агент может запускать до 100 ML-экспериментов за ночь на одном GPU. Он сам пишет код, запускает обучение, анализирует результат, улучшает архитектуру и сохраняет только то, что работает. Роль человека в этой системе минимальна. Всё, что нужно поддерживать - один файл `program.md`, в котором описана стратегия исследования: что исследовать, какие идеи приоритетнее, какие компромиссы важны. Агент читает этот файл, рассуждает над ним и сам решает, какой эксперимент запускать следующим. Как работает система: - автономный git-цикл — агент коммитит каждое улучшение - каждый эксперимент длится ровно 5 минут, чтобы сравнение было честным - оптимизируются архитектура, гиперпараметры и оптимизатор - человек редактирует стратегию - агент редактирует код - всё работает на одном GPU Главная мысль проекта: узкое место в AI-исследованиях - уже не вычисления, а идея эксперимента. В autoresearch этим bottleneck становится всего один файл - program.md. github.com/karpathy/autoresearch 🐍 Python полезные ресурсы (https://t.me/addlist/8vDUwYRGujRmZjFi) 🚀Max (https://max.ru/pythonl) @Python_Community_ru