Python Portal

А что если обучать AI-агентов на обычном ноуте было бы так же просто, как на GPU-кластере? Команда из UIUC U Lab под руководством проф. Jiaxuan You выложила в опенсорс OpenTinker. Это новая система формата Reinforcement-Learning-as-a-Service (RLaaS), которая разбивает тяжелый RL-пайтлайн на простые распределенные сервисы с удобными API. Итог — снимает большую часть инженерных болячек вокруг RL, обгоняя классические фреймворки по доступности и простоте деплоя, наконец-то делая обучение агентов реалистичным вариантом для обычных разработчиков и команд. Project: https://open-tinker.github.io/opentinker-page/ Code: https://github.com/open-tinker/OpenTinker U Lab: https://github.com/ulab-uiuc 👉 @PythonPortal

Tailwind уволила 75% своего персонала, потому что почти никто их не поддерживает. В отчаянной попытке избежать банкротства они выпустили свой фильм в кинотеатрах. Честно говоря, вы бы заплатили, чтобы посмотреть его? 😆 👉 @PythonPortal

Эта новая графовая БД в 496 раз быстрее Neo4j! Давайте разберем почему: Классическая графовая БД хранит две вещи: узлы (entities) и ребра (relationships между ними). Когда вы делаете запрос в классическую графовую БД, она делает обход через pointer chasing: → стартуем с узла → переходим по указателю к связанному узлу → еще один указатель → и так далее Это по своей природе последовательный процесс. Один hop за раз. И по мере роста графа это становится болезненно медленным. FalkorDB задает другой вопрос: А что если представить весь граф как матрицу? Как это работает: Представьте обычную таблицу. Строки — source nodes, колонки — destination nodes. Если Mary подписана на Bob, ставим в позицию [Mary, Bob] = 1. Все. Весь граф теперь это матрица из 1 и 0. Назовем ее матрицей Follows (F). Дальше интереснее: Хотите узнать на кого подписаны друзья Mary? В классической графовой БД вам нужно сделать два перехода: Mary → друзья → друзья друзей. Но с матрицами вы просто умножаете матрицу Follows саму на себя: F × F = F². Это одна операция — и готово! А более сложный паттерн вида “A follows B, B likes C” превращается в: Follows × Likes. То есть traversal можно выразить через математику. Почему это важно: - матричные операции оптимизируются уже больше 50 лет - современное железо (CPU/GPU) заточено под матрицы - операции выполняются параллельно (pointer chasing не может) Плюс есть еще несколько оптимизаций (например sparse matrices, реализация на C и т.д.), и все это делает FalkorDB в 496 раз быстрее Neo4j. График на фото это хорошо показывает. Классические графовые БД идут через Cypher QL → Pointer-Based Traversal, а FalkorDB использует Matrix-Aware Planner, который превращает запросы в матричные операции. FalkorDB полностью строится на этом принципе: - нативный модуль Redis (in-memory и очень быстрый) - использует GraphBLAS для sparse matrix вычислений - автоматически транслирует Cypher-запросы в матрическую алгебру Это важная тема для AI-приложений, потому что… Современным AI-агентам и RAG-системам нужно обходить сложные связи в реальном времени. Когда агент делает reasoning через knowledge graph, связывая пользователей, действия и результаты — каждая миллисекунда задержки складывается. Vector DBs ловят семантическую близость. Но они не держат явных связей. Knowledge graphs закрывают эту дыру. И когда вашему агенту нужно делать multi-hop reasoning по тысячам связанных сущностей, матричный traversal упрощает масштабирование AI-приложения без проблем с задержками. FalkorDB полностью open-source, вы можете посмотреть реализацию на GitHub и попробовать сами. Ссылка на GitHub-репозиторий 👉 @PythonPortal

VS Code прокачали и завезли Agent Skills - открытый стандарт от Anthropic для расширения AI-агентов специализированными возможностями. Работает с Claude Code и скоро будет поддержка Cursor. 👉 @PythonPortal

Первый по-настоящему открытый аудио-видео модельный стек. LTX-2 это базовая модель на DiT с полноценными возможностями генерации видео в одном унифицированном варианте. Спроектирована так, чтобы запускаться локально на потребительских GPU. - text-to-video - image-to-video - и video-to-video режимы 100% open-source 👉 @PythonPortal

Viber + coder = multitasking chaos. 👉 @PythonPortal

Ищем новичков во frontend-разработке и вёрстке сайтов. Айтилогия запускает бесплатное обучение, где будет: 1. Практика на реальном заказе ценой до 10 000₽. 2. Разбор работ куратором. 3. Задачи от Fullstack-разработчика с 12-летним опытом. 4. Именной сертификат. И главное — ты почувствуешь уверенность. Потому что увидишь, что выполнить заказ на frontend-проект тебе по силам. 👉 Приходи на бесплатное обучение и зови с собой друзей 🔥 С 2019 Айтилогия стабильно помогает с обучением, практикой, зарабатывать на фрилансе и проходить собеседования.

Это, пожалуй, самая ловкая задача, которую я видел у человекоподобного робота. Полностью автономно, на движке Sharpa CraftNet (VTLA), с тактильной обратной связью, которая позволяет в реальном времени подстраивать взаимодействие на уровне последних миллиметров. 👉 @PythonPortal

Парень собрал крошечного durable-агента, который при этом уже можно катить в прод 10 строк Python-кода, запущенные через dapr, дают тебе: → HTTP endpoint /run → Pub/Sub промпты через 10+ брокеров → Durable workflow execution → Персистентное состояние диалога и воркфлоу → Memory на базе ~30 state store реализаций → Agent registry discovery → Абстракцию для LLM через 10+ провайдеров → Conversation API с 10+ LLM-бекендами → Agent identity через SPIFFE → Secrets из 10+ secret store-ов → Config из внешних config store-ов → Resiliency (ретраи, таймауты, circuit breakers) → Tracing, метрики, логи Зацени и скажи что думаешь 👉 @PythonPortal

Мы уже упираемся в хард предел всего этого Prompt Engineering. Если твой агент держится на системном промпте в 3000 слов, это не софт. Это карточный домик. Меняешь тон общения и ломается логика. Добавляешь новое правило и модель забывает старые. Я нашел фреймворк который это чинит. Называется Parlant. Он относится к поведению агента как к коду, а не как к художественному тексту. Чит-код для продакшен-ИИ: перестань пихать бизнес-логику в статический текстовый файл. Parlant превращает правила в управляемый alignment-слой. Это убирает бардак продакшен-агентов: 1. Линтер для промптов (проверка когерентности) Ты задаешь правила. Parlant до рантайма проверяет не противоречат ли они друг другу. Конфликты ловятся раньше чем их увидят пользователи. 2. Динамическая подгрузка гайдлайнов Хватит платить за отправку всего справочника на каждом шаге. Parlant смотрит на диалог и подмешивает только те правила которые сейчас реально нужны. Меньше контекста = выше точность и ниже стоимость. 3. Разделение логики и языка Отвязывает что делать (бизнес-логика) от как говорить (LLM). Меняешь, например, политику возвратов в одном месте, и агент сразу обновляется без переписывания всей промпт-цепочки. Хватит писать спагетти-промпты. Пора проектировать поведение. 🤨 👉 @PythonPortal

📱 Держите 6 хороших каналов по искусственному интеллекту и программированию для любого уровня! Выбирай направление: 📱 Нейросети — @neuro_prompt 🤖 AI-инструменты — @ai_prompt 📱 Python — @python_prompt 🤔 InfoSec & Хакинг — @infosec_prompt 👩‍💻 IT Новости — @it_news 😄 IT Мемы — @it_memes Промпты, обучение, шпаргалки и полезные ресурсы на каждую тему!

👍👍👍 👉 @PythonPortal

NVIDIA вот-вот выпустила новую опенсорс модель для транскрипции Nemotron Speech ASR, спроектированную с нуля под low-latency сценарии, вроде голосовых агентов. Вот пример голосового агента, собранного на этой модели. Финализация транскрипции занимает 24 мс, а общее voice-to-voice время инференса меньше 500 мс. Этот агент на самом деле использует сразу три open source модели от NVIDIA: - Nemotron Speech ASR - Nemotron 3 Nano 30GB в 4-битной квантизации (вышла в декабре) - превью-чекпойнт будущей модели Magpie для text-to-speech Все эти модели реально открытые: доступны веса, обучающие данные, код обучения и код инференса. Это важно. Вчера на CES Дженсен сказал, что в этом году open source модели догонят проприетарные по ряду направлений. NVIDIA явно делает ставку на то, чтобы это произошло. Как говорил Алан Кей, лучший способ предсказать будущее — это изобрести его. Код самого агента тоже open source. Его можно задеплоить в прод через cloud от modal и pipecat_ai или запускать локально на nvidia DGX Spark или RTX 5090. Вот технический разбор голосового агента из видео выше: как он устроен, какие три модели NVIDIA используются, как выкатить это в прод и какие есть интересные оптимизации, если гонять всё локально на одной GPU. Весь код здесь: тут Задеплоить эти модели в cloud от modal можно очень просто. (DX у Modal реально приятный.) Для локального запуска придется собрать Docker-контейнер — ну, потому что bleeding edge vLLM, llama.cpp, CUDA под Blackwell и всё такое. Но Dockerfile в репозитории должен без проблем заводиться на DGX Spark и RTX 5090. 👉 @PythonPortal

Это один из имбовых способов начать учить Python с кучей практики : snakify.org Функция "запуск кода пошагово" большой козырь этой платформы, что помогает понять как он выполняется и если необходимо, сразу заняться отладкой. Lets'go it 👍 👉 @PythonPortal

Хитро 👉 @PythonPortal

Совет по Python: Конкатенация строк через += в цикле имеет сложность O(n²), потому что при каждом сложении создается новая строка. Используй join() — он дает O(n). 👉 @PythonPortal

Отличный проект. Изучай что угодно с DeepTutor. Персонализированный обучающий ассистент на базе ИИ. Это гораздо больше, чем просто чат-бот. Он помнит твой контекст и прогресс и подстраивается под твой стиль обучения. И вдобавок он с открытым исходным кодом 👉 @PythonPortal

Я фуллстек разработчик, но есть нюанс 👉 @PythonPortal

Для новичков подгон: бесплатный онлайн-курс по программированию на Python На сайте можно прямо в браузере запускать код, решать задачки и изучать основы языка шаг за шагом Начинай прокачку 👍 👉 @PythonPortal

ML-инженеры это вам: интерактивный обучающий блок по математике для машинного обучения Недавно там выложили ещё несколько блогов по основам матанализа для машинного обучения, с интерактивными симуляциями. Среди тем: - backprop и градиентный спуск - локальные минимумы и седловые точки - векторные поля - ряд Тейлора - якобиан и гессиан - частные производные Материал ориентирован именно на ML-контекст, с упором на наглядность и практическое понимание. ✌️ Тренируемся здесь 👉 @PythonPortal