Python Community

🌍 Google выпустили TranslateGemma - открытые модели перевода на базе Gemma 3 Google представили TranslateGemma - набор open-source переводчиков, построенных на Gemma 3. Что важно: - это не “чат-LLM, который может переводить”, а отдельная линейка моделей именно под перевод - доступны размеры 4B / 12B / 27B - поддержка 55 языков - фокус на практичности: можно запускать на разном железе и встраивать в приложения Идея простая: сделать качественный машинный перевод доступным и открытым, чтобы разработчики могли использовать модели локально, в продуктах и сервисах без привязки к закрытым API. Ещё один шаг к тому, что перевод становится “базовой функцией” прямо внутри открытых моделей. Анонс: https://blog.google/innovation-and-ai/technology/developers-tools/translategemma/ HF: https://huggingface.co/collections/google/translategemma @Python_Community_ru

🐸 Microsoft зарелизили FrogMini - модель для дебага и исправления багов. Что важно: - Базируется на Qwen3-14B - Показала SOTA на SWE-Bench Verified: Pass@1 = 45.0% 🔥 Как обучали: - Использовали SFT (supervised fine-tuning) - Данные - успешные debugging trajectories (пошаговые цепочки исправлений) - Эти траектории сгенерированы сильной teacher-моделью (например, **Claude**) - Источники багов - микс реальных и синтетических датасетов Идея простая, но мощная: учим модель не просто писать код, а думать как дебаггер - шаг за шагом. 📌 Теперь Qwen3-14B + правильные траектории = реальный tool для SWE задач. https://huggingface.co/microsoft/FrogMini-14B-2510 @Python_Community_ru

‍🧭 LLMRouter - умная маршрутизация запросов между LLM UIUC (ULab) выложили LLMRouter - проект про то, что скоро станет стандартом в AI-продуктах: не выбирать “одну лучшую модель”, а маршрутизировать запросы между несколькими LLM так, чтобы было: - дешевле - быстрее - точнее Идея простая: разные модели сильны в разном. Одна лучше пишет код, другая - рассуждает, третья - дешёвая для рутины. Но большинство продуктов до сих пор делают тупо: “все запросы → одна LLM”. LLMRouter делает наоборот: - анализирует входной запрос - оценивает сложность / тип задачи - выбирает подходящую модель - может учитывать цену, latency, качество, политики В итоге: ✅ обычные вопросы идут в дешёвую модель ✅ сложные reasoning-задачи - в сильную ✅ код/инструменты - в специализированную ✅ и всё это автоматически Почему это важно: как только у тебя 3-5 моделей (OpenAI/Anthropic/Gemini/open-source), маршрутизация превращается в экономию десятков тысяч долларов в месяц. Короче: это “load balancer” для LLM, но с мозгами. GitHub: https://github.com/ulab-uiuc/LLMRouter #LLM #AI #Routing #Agents #MLOps @Python_Community_ru

💼 ru-test-assignments - большая база реальных тестовых заданий от IT-компаний ru-test-assignments - это открытая коллекция настоящих тестовых заданий, которые кандидаты получали на собеседованиях в российских IT-компаниях. Без абстрактных задач «в вакууме» только то, что реально спрашивают. Что внутри 👇 • Сотни заданий по направлениям: Frontend, Backend, QA, Android, iOS, Data Science, DevOps • Компании из топа рынка: Avito, Яндекс, Тинькофф, Сбер, Ozon, VK и другие • Разные языки и стеки: Python, JavaScript, Go, Java, PHP, Ruby, C# • Готовые задания можно прикреплять в портфолио (например, через Hexlet CV) Почему это полезно: - понимаешь реальные требования рынка - тренируешься на задачах уровня интервью - закрываешь пробелы в стеке - усиливаешь портфолио без выдуманных кейсов Отличный ресурс для подготовки к собеседованиям и оценки своего уровня. https://github.com/Hexlet/ru-test-assignments @Python_Community_ru

⚡️ Все шпаргалки для программистов в одном месте. Внутри много полезного: короткие, понятные подсказки по языкам, технологиям и фреймворкам. Без регистрации и бесплатно. https://overapi.com/ @Python_Community_ru

🖥 PYTHON СТАРТЕР ДЛЯ ЛЮБОГО ПРОЕКТА Сохраняй себе это - и используй каждый раз, когда начинаешь новый Python-проект. Перед тем как писать код, сделай 5 вещей: - создай правильную структуру проекта - подними виртуальное окружение - закрепи зависимости (requirements/poetry) - добавь линтер и форматтер, чтобы код сразу был норм - вынеси секреты в .env, а не в код Это экономит часы на дебаге и делает проект “взрослым” с первой минуты. 1) создать папку проекта mkdir my_project && cd my_project 2) виртуальное окружение python -m venv .venv source .venv/bin/activate 3) базовые файлы touch main.py requirements.txt .env .gitignore 4) gitignore + env echo ".venv/ __pycache__/ .env *.pyc" > .gitignore # 5) полезный стартовый набор pip install -U pip pip install ruff black python-dotenv https://www.youtube.com/shorts/lnKQ_2UjOfw @Python_Community_ru

🖥 БЫСТРЫЙ СЕРВЕР ДЛЯ PYTHON ЗА 5 МИНУТ Нужно быстро поднять сервер под Python-проект без лишней возни? Ставим системные пакеты, создаём отдельного пользователя, настраиваем venv, делаем systemd-сервис и сразу получаем автозапуск + рестарт при падении. Идеально для FastAPI / Flask / любых API и ботов. sudo apt update && sudo apt install -y python3-venv python3-pip nginx sudo useradd -m -s /bin/bash app && sudo mkdir -p /opt/app && sudo chown -R app:app /opt/app sudo -u app bash -lc 'cd /opt/app && python3 -m venv venv && ./venv/bin/pip install -U pip uvicorn fastapi' sudo tee /etc/systemd/system/app.service >/dev/null @Python_Community_ru

📹 Загрузчик видео с YouTube и других платформ tuitube — это текстовый интерфейс для загрузки видео с YouTube, 𝕏, Twitch, Instagram и Bilibili с использованием yt-dlp. Удобный инструмент для тех, кто предпочитает командную строку. 🚀 Основные моменты: - Поддержка множества видео платформ - Использует yt-dlp для загрузки - Простой текстовый интерфейс - Легко настраивается и использует командную строку 📌 GitHub: https://github.com/remorses/tuitube #python @Python_Community_ru

🤖 talk-to-girlfriend-ai - AI-агент для помощи в переписке через Telegram Это проект Telegram-бота/агента, который помогает придумывать умные и уместные ответы в переписке — анализирует контекст и предлагает варианты ответа. Что умеет AI: - пишет ответы на основе диалога - генерирует фразы для старта разговора - помогает формулировать сообщения более интересно - даёт советы, как поддерживать беседу - умеет читать и отправлять сообщения через Telegram API ⚡️ Как работает: - CLI-агент на TypeScript - мост на Python для работы с Telegram - AI-ядро (модель) - semantic search для поиска подходящих фраз 📌 Репозиторий: https://github.com/arlanrakh/talk-to-girlfriend-ai @Python_Community_ru

🚀 Умный плагин для Claude Code Claude Workflow — это универсальный плагин, который включает специализированные агенты и навыки для автоматизации разработки программного обеспечения. Он помогает в координации задач, анализе кода, написании документации и обеспечении безопасности. 🚀 Основные моменты: - 7 специализированных агентов для различных задач - 6 знаний для улучшения проектирования и тестирования - Поддержка нескольких стилей вывода через слэш-команды - Автоматизация с помощью хуков для повышения безопасности и качества кода 📌 GitHub: https://github.com/CloudAI-X/claude-workflow @Python_Community_ru

🚀 Модели IQuest-Coder-V1 для автономного программирования IQuest-Coder-V1 — это семейство больших языковых моделей, предназначенных для улучшения автономного программирования и интеллектуального анализа кода. Модели используют инновационную многослойную парадигму обучения, обеспечивая выдающиеся результаты на ключевых бенчмарках. 🚀 Основные моменты: - Достигает лучших результатов на SWE-Bench и других бенчмарках. - Обучение на основе динамики изменений в репозиториях. - Два специализированных направления: Thinking и Instruct модели. - Поддержка контекста до 128K токенов. - Эффективная архитектура с рекуррентным механизмом. 📌 GitHub: https://github.com/IQuestLab/IQuest-Coder-V1 #python @Python_Community_ru

‍⚡️ Приём на Python под высокой нагрузкой: ограничивай конкуренцию сам, а не доверяй это ОС. Вместо тысячи одновременных задач делай очередь + фиксированное число воркеров. Так ты: - не убиваешь БД/внешний сервис шторма́м запросов - контролируешь задержки - получаешь естественный backpressure Пример для I/O-нагрузки (HTTP запросы) с asyncio: import asyncio import aiohttp from time import perf_counter URLS = [ "https://example.com" for _ in range(10_000) # много запросов под нагрузкой ] MAX_CONCURRENCY = 100 # ограничиваем параллелизм QUEUE_SIZE = 1_000 # ограничиваем длину очереди (backpressure) async def worker(name: int, queue: asyncio.Queue, session: aiohttp.ClientSession): while True: url = await queue.get() if url is None: # сигнал завершения queue.task_done() break try: async with session.get(url, timeout=5) as resp: await resp.text() # или resp.read() # здесь твоя логика обработки except Exception as e: # логируй, но не падай print(f"[worker {name}] error: {e}") queue.task_done() async def main(): queue = asyncio.Queue(maxsize=QUEUE_SIZE) async with aiohttp.ClientSession() as session: # поднимаем ограниченное число воркеров workers = [ asyncio.create_task(worker(i, queue, session)) for i in range(MAX_CONCURRENCY) ] # кидаем задачи в очередь for url in URLS: await queue.put(url) # шлём сигнал завершения воркерам for _ in workers: await queue.put(None) # ждём, пока всё отработает await queue.join() # аккуратно завершаем воркеров for w in workers: await w if __name__ == "__main__": t0 = perf_counter() asyncio.run(main()) print(f"Done in {perf_counter() - t0:.2f}s") Суть приёма: Вместо «одна корутина на каждый запрос» ты держишь фиксированный пул воркеров. Очередь с maxsize работает как предохранитель: если бэкенд/БД не успевают, продюсер начинает тормозиться. Такой подход гораздо стабильнее под всплесками трафика, чем голый gather на десятки тысяч задач. @Python_Community_ru

🖥 На Stepik вышел курс, который учит работать с Docker на реальных проектах. (https://stepik.org/a/268900/pay?promo=9003bbe091915670) (https://stepik.org/a/268900/pay?promo=bf456bf53d78fbe0) Владение Docker - навык, который отличает новичка от профи, Сегодня почти всё разворачивается в контейнерах. Если ты не умеешь работать с Docker, ты медленнее, зависим от чужих настроек и постоянно ловишь баги «у меня локально работает». • как упаковывать проекты в контейнеры • как поднимать целые системы за минуты • как избегать типичных ошибок в продакшене • как делать стабильные и повторяемые окружения •в нем разобраны все возможные ошибки Только практика и реальные кейсы от авторов Docker Академии (https://t.me/+7FK4xtumK2ZiOTY6)- с нуля до уверенного уровня. 🎁 Скидка 40 процентов действует 48 часов 👉 Записывайся и сделай Docker своим настоящим рабочим инструментом. (https://stepik.org/a/268900/pay?promo=9003bbe091915670) @Python_Community_ru

📄🚀 Qwen-Doc: Открытые проекты по пониманию документов Qwen-Doc — это репозиторий, посвященный ИИ для работы с документами, разработанный командой Tongyi-Zhiwen. Здесь собраны исследования и практики, направленные на улучшение обработки сложных документов с помощью современных технологий, включая обучение с подкреплением и долгосрочное понимание контекста. 🚀Основные моменты: - Модели для долгосрочного понимания документов. - Использование обучения с подкреплением для улучшения ИИ. - Открытые данные и методологии для сообщества. - Проекты QwenLong-L1 и QwenLong-L1.5 с передовыми алгоритмами. - FRAMEWORK SPELL для автономного генерации обучающих данных. 📌 GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc #python @Python_Community_ru

🧮 CoolCalculator: Мини-язык программирования для вычислений CoolCalculator — это консольный калькулятор, который поддерживает пользовательские переменные и функции, рекурсию и локальные области видимости. Он предназначен для изучения парсинга и оценки выражений, а не только для численных вычислений. 🚀Основные моменты: - Поддержка пользовательских переменных и функций - Рекурсивные вызовы и перегрузка функций - Многострочный ввод и последовательное выполнение - Автоматическое создание несуществующих переменных - Удобный синтаксис для работы с выражениями 📌 GitHub: https://github.com/YaroslavPryatkin/CoolCalculator @Python_Community_ru

‍🐍 Стоит ли аннотировать каждую переменную в Python? Разберёмся спокойно и без фанатизма. Что вообще такое аннотации типов В Python можно указывать типы у переменных, аргументов и функций. Это помогает IDE, линтерам и статическим анализаторам находить ошибки в коде. Простой пример: x: int = 10 name: str = "Alice" Аргументы ЗА аннотации везде • код становится явнее • IDE лучше подсказывает • меньше скрытых ошибок • полезно в больших проектах и командах Аргументы ПРОТИВ • код становится грязнее • в простом коде типы и так очевидны • аннотации отвлекают от логики программы • иногда разработчики подгоняют код под типы, вместо хорошего дизайна программы Например, так делать смысла мало: a: int = 0 # избыточно count = 0 # и так понятно Но если структура сложная, аннотация действительно помогает: result: dict[str, list[int]] = {} Где же истина Опытные разработчики сходятся на том, что: ✔ аннотировать функции, API и сложные структуры - полезно ✖ аннотировать каждую локальную переменную - перебор Аннотации - это инструмент для ясности, а не чек-лист, который нужно заполнять до последней строчки. Используй их там, где они помогают понять коди не заставляй Python выглядеть как Java ради галочки 🙂 ⚡️ Подробнее: https://uproger.com/🐍-nuzhno-li-annotirovat-kazhduyu-peremennuyu-v-pythonpodrobnyj-razbor-bez-fanatizma/ @Python_Community_ru

⚡️ Qcrawl - простой и быстрый веб-краулер Qcrawl - это open-source проект краулера, написанный на Go, предназначенный для эффективного сбора страниц из интернета и обработки ссылок. Это: • легковесный веб-краулер • ориентирован на масштабируемость и простоту Основные возможности • параллельная загрузка страниц • polite crawling (учёт robots.txt, ограничения на частоту запросов) • управление глубиной обхода • обработка и нормализация ссылок • гибкая архитектура для кастомных обработчиков контента • подходит для задач сбора данных из веба • хорошая база для собственных crawler-ботов • легко адаптируется под свои сценарии (парсинг, индексация, анализ) Репозиторий содержит примеры запуска, конфигурации глубины и очередей, а также модули для безопасной загрузки страниц. Если вам нужен краулер без лишнего «тяжелого» функционала, Qcrawl может стать отличной отправной точкой. GitHub: github.com/crawlcore/qcrawl @Python_Community_ru

🧩 dataclass vs Pydantic - большая разница в валидации данных Когда ваши Python-модели растут, dataclass быстро превращается в ад из if-else внутри post_init: ❌ ручные проверки ❌ раздувающийся код ❌ сложнее читать и поддерживать Pydantic решает это элегантно: ✅ встроенные ограничения прямо в определении полей ✅ автоматическая валидация ✅ понятные сообщения об ошибках То, что dataclass требует вручную - Pydantic делает автоматически. Если вы работаете с API, формами, БД или конфигурациями - Pydantic почти всегда лучше выбор. @Python_Community_ru

👩‍💻 Репозиторий с вопросами для собеседований по Python без воды и сюрпризов Собеседование по Python - это не только рассказ про проекты. Чаще всего проверяют базу и понимание деталей: почему is — не ==, как работают генераторы, что происходит с памятью и где подводные камни ООП. Для этого есть отличный репозиторий python_interview_questions. Что внутри 📌 - часто задаваемые вопросы для junior, middle и выше - теория с понятными объяснениями - примеры кода, а не сухие определения - темы от синтаксиса до внутренних механизмов Python Зачем он реально полезен ⚡️ - помогает разобраться в «подкапотной» логике языка - учит формулировать ответы, а не просто знать факт - идеально подходит для быстрого повторения перед интервью - снижает риск растеряться на каверзных вопросах Хороший способ системно подготовиться к Python-собесу и понять, где у тебя слабые места. https://github.com/yakimka/python_interview_questions @Python_Community_ru

🎤 Инновационная система распознавания речи Fun-ASR Fun-ASR — мощная модель распознавания речи, обученная на миллионах часов аудиоданных. Она поддерживает 31 язык и обеспечивает высокую точность в сложных условиях, таких как шумные помещения. Модель адаптирована для профессиональных терминов в таких областях, как образование и финансы. 🚀 Основные моменты: - Высокая точность распознавания до 93% в шумных условиях. - Поддержка 31 языка с акцентом на восточноазиатские языки. - Оптимизация для распознавания диалектов и региональных акцентов. - Способность распознавать текст песен на фоне музыки. 📌 GitHub: https://github.com/FunAudioLLM/Fun-ASR #python @Python_Community_ru