Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
Python Portal
Открыть в Telegram
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Больше📈 Аналитический обзор Telegram-канала Python Portal
Канал Python Portal (@pythonportal) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 52 440 подписчиков, занимая 2 547 место в категории Технологии и приложения и 11 911 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 52 440 подписчиков.
Согласно последним данным от 10 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -783, а за последние 24 часа — -20, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.32%. В первые 24 часа после публикации контент обычно набирает 5.78% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 892 просмотров. В течение первых суток публикация набирает 3 033 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 25.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как строка, none, true, модуль, peter.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Всё самое интересное из мира Python
Сотрудничество, реклама: @devmangx
Менеджер: @Spiral_Yuri
РКН: https://clck.ru/3GMMF6”
Благодаря высокой частоте обновлений (последние данные получены 11 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
52 440
Подписчики
-2024 часа
-1877 дней
-78330 день
Архив постов
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
52 440
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
👉 @PythonPortal52 440
