Python RU

📄🚀 Удобный просмотр кода с rendergit С помощью rendergit вы можете легко преобразовать любой репозиторий GitHub в статическую HTML-страницу с подсветкой синтаксиса и навигацией. Идеально подходит для быстрого просмотра, анализа кода и удобного поиска. 🚀Основные моменты: - Два режима просмотра: Человеческий и LLM - Подсветка синтаксиса и рендеринг Markdown - Умное фильтрование больших файлов - Адаптивный дизайн для мобильных устройств - Удобная навигация по файлам 📌 GitHub: https://github.com/karpathy/rendergit #python

🚀 Tencent Hunyuan только что выкатили AutoCodeBench — мощный open-source инструмент для проверки способностей ИИ в генерации кода. Что внутри? 🔹 AutoCodeGen — генерация многоязычных датасетов кода без ручной разметки 🔹 AutoCodeBench — почти 4 000 сложных задач на 20 языках программирования (версии Full / Lite / Complete) 🔹 MultiLanguageSandbox — песочница для работы с поддержкой 30+ языков C AutoCodeBench можно быстро тестировать LLM в кодинге, сравнивать модели и даже создавать свои бенчмарки. 🟠Статья: arxiv.org/abs/2508.09101 🟠Код: github.com/Tencent-Hunyuan/AutoCodeBenchmark 🟠Датасет: huggingface.co/datasets/tencent/AutoCodeBenchmark @ai_machinelearning_big_data #AutoCodeBench #AI #coding

🐍 Полезный совет по Python: используйте "".join() вместо конкатенации строк в цикле Многие новички пишут так:

words = ["Python", "очень", "крут"]
result = ""
for w in words:
    result += w + " "
print(result)

Код рабочий, но неэффективный: при каждой конкатенации создаётся новая строка, что сильно замедляет работу на больших объёмах данных. 🚀 Правильный способ — использовать " ".join():

words = ["Python", "очень", "крут"]
result = " ".join(words)
print(result)

💡 Преимущества: - Быстрее и эффективнее на больших списках - Код чище и короче -Можно легко задавать разделитель (пробел, запятая, \n) 📊 Пример:

lines = ["строка 1", "строка 2", "строка 3"]
text = "\n".join(lines)
print(text)

Вывод:

строка 1
строка 2
строка 3

📌 Итог Используйте "".join() для объединения строк из списка — это питонично, быстро и удобно.

⚡️ DINOv3 - новое семейство фундаментальных моделей для компьютерного зрения, обученных методом SSL. Ключевой особенностью стал прорыв в обучении без размеченных вручную данных: система, натренированная на 1.7 миллиардах изображений, достигает SOTA-производительности. Backbone DINOv3 превосходит специализированные модели в широком спектре задач, от классификации до сегментации, без необходимости дополнительного дообучения. Модели разных размеров, включая флагманскую версию на 7 миллиардов параметров, уже доступны на Hugging Face под коммерческой лицензией. github.com

OpenAI заявляет, что её вычислительная мощность выросла в 15 раз с 2024 года, компания использовала 200 тыс. GPU для GPT-5 Впечатляющая цифра. Еще зз интересных новостей от OpenAI, gpt-oss уже сказали более 5млн и это самый залайканный релиз года на данный момент! 🔥

🖥 Молниеносный HTML-парсинг: selectolax быстрее BS4 в разы Полезный трюк: быстро парсим HTML прямо из строки с помощью selectolax — лёгкой и очень быстрой библиотеки на C, в разы быстрее BeautifulSoup. Установка:

pip install selectolax

Пример с кодом:

from selectolax.parser import HTMLParser

html = """

<html><body> <h1>Hello</h1> <p class='msg'>World</p> </body></html> """
tree = HTMLParser(html)
print(tree.css_first("h1").text()) # Hello
print(tree.css_first("p.msg").text()) # World

https://www.youtube.com/shorts/CSYJDmt4ztg

⚡️ Open-source инструмент для просмотра CSV, JSON, Excel и других таблиц прямо в терминале — без потери форматирования, аккуратно и читабельно. 🔥 Что умеет: — Встроенный SQL-движок: фильтры, джойны и анализ прямо в терминале; — Vim-подобные хоткеи (для фанатов, да 😁); — Быстрый поиск, работа с несколькими таблицами, поддержка тем (Monokai, Nord и др.). https://github.com/shshemi/tabiew

🖥 Botasaurus — фреймворк для «неуязвимого» web-scraping на Python 💡 Что умеет: - Обходит современные защиты: Cloudflare WAF, BrowserScan, Fingerprint, Datadome, Turnstile CAPTCHA - Эмулирует поведение человека (движения мыши, задержки, сетевое поведение) - Асинхронность, параллельный запуск, кэш, работа с Sitemap - Масштабирование через Kubernetes - Превращение скрапера в десктоп-приложение или веб-интерфейс ⚙️ Botasaurus-driver: - Быстрый анти-детект драйвер, совместимый с браузером - API для навигации, кликов, ввода, ожиданий, JS - Обход CAPTCHA с bypass_cloudflare=True 📦 Экосистема: - Dockerfile для среды скрапинга - Starter Template для быстрого старта - Desktop Starter для десктопных скрапер-приложений 🔗 GitHub: github.com/omkarcloud/botasaurus #Python #WebScraping #Botasaurus #OpenSource @linuxkalii

👾 Разработка реального проекта: игра-платформер на Python В этом руководстве мы разработаем простой, но полноценный платформер на Python с использованием библиотеки Pygame. Мы рассмотрим все аспекты игры: создание игрового окна, управление персонажем, обработку столкновений, генерацию уровней и отображение графики. В конце у вас будет готовый проект, который можно развивать дальше. Подробности

🔍 Regex не прощает ошибок… но с Python мы найдем выход! Когда в запросе опечатка (`"prro"` вместо "pro"`) — `re.search() ничего не найдёт. 🙅‍♂️ Regex: [] → *Ноль результатов* ✅ diff​lib то что нам нужно! С SequenceMatcher ты можешь находить похожие строки даже с опечатками. 📌 Пример:

from difflib import SequenceMatcher

def fuzzy_match(query, products, threshold=0.6):
    matches = []
    for product in products:
        ratio = SequenceMatcher(None, query.lower(), product.lower()).ratio()
        if ratio >= threshold:
            matches.append((product, f"{ratio:.2f}"))
    return matches

🧠 Результат:

[('iPhone 14 Pro Max', '0.88')]

📦 Используй difflib для user-friendly поиска и автодополнения. Особенно полезно для: - Поиска товаров - Обработки ввода пользователя - Систем рекомендаций 🔥 Идеально, когда нельзя потерять результат из-за одной буквы! @pythonl

CodeEasy: Python Essentials Отличный способ прокачаться в Python. 🔹Объясняет сложное простыми словами 🔹Основан на реальной истории с заданиями по ходу сюжета 🔹Бесплатный старт Переходим сюда для старта

🚀 GitHub решил главную боль open-source ИИ-проектов — теперь inference доступен всем Новая инициатива GitHub Models позволяет запускать LLM прямо из кода или CI, ⚡️ без API-ключей OpenAI, без развёртывания моделей, без костылей. 🔧 Как это работает: - Полная совместимость с openai.ChatCompletion.create - Поддержка GPT‑4o, Llama 3, DeepSeek и др. - Авторизация через обычный GITHUB_TOKEN - Бесплатно для OSS и личных аккаунтов - Можно использовать даже в GitHub Actions (просто `permissions: models: read`) 💡 Зачем это нужно: - Убирает барьер входа для пользователей и контрибьюторов - Помогает легко добавлять ИИ‑фичи в open-source проекты - Работает с OpenAI SDK, LangChain, Python, Node.js и другими библиотеками 📦 Теперь запускать AI в open-source так же просто, как git push. 📝 Подробности: https://github.blog/ai-and-ml/llms/solving-the-inference-problem-for-open-source-ai-projects-with-github-models

🌟 X-Omni от Tencent: авторегрессионная text-to-image модель с RL. X-Omni - методика обучения T2I моделей, которая наглядно доказывает, что RL может вдохнуть новую жизнь в авторегрессионный подход и вывести такие модели на SOTA-уровень. X-Omni построена на гибридной, но при этом унифицированной архитектуре. Схематично она выглядит так: Семантический токенизатор изображений SigLIP-VQ с фиксированным словарем на 16 384 токена кодирует картинку в дискретные токены. Эти визуальные токены вместе с текстовыми подаются в единую авторегрессионную модель на базе Qwen2.5-7B. Наконец, в финальном рендеринге используется диффузионный декодер на основе FLUX.1-dev. 🟡Уникальность метода - в смеси RL по GRPO и комплексной reward-системе. Вместо одного критерия, модель оценивается сразу по нескольким направлениям. За эстетику и соответствие предпочтениям человека отвечает HPSv2 и модель Unified Reward. За семантическую связь между промптом и изображением — VLM-модель Qwen2.5-VL-32B. А за самое сложное, отрисовку текста внутри картинки, отвечает отдельная награда на основе OCR-систем GOT-OCR2.0 и PaddleOCR. Тестовую модель X-Omni обучали на смеси из 200 млн. изображений, которые после токенизации превратились в 600 млрд мультимодальных токенов, а на этапе SFT использовал ещё 1.5 млрд. токенов. Для RL-фазы был отобран микс из 180 тыс. промптов, состоящий как из творческие запросы, так и задач на рендеринг текста. 🟡И это дало свои плоды, особенно в отрисовке текста, где авторегрессионные модели исторически пасовали. На бенче OneIG-Bench X-Omni показала результат 0.901 для английского языка, обойдя GPT-4o (0.857). А на собственном LongText-Bench, специально созданном для оценки рендеринга длинных надписей, модель буквально разгромила всех в китайском языке, набрав 0.814 балла против 0.619 у GPT-4o. В задачах общей генерации по тексту X-Omni также на высоте. На DPG-Bench модель достигла SOTA-результата 87.65, опередив GPT-4o (86.23) и Show-o2 (86.14). На GenEval результат составил 0.83, чуть-чуть не дотянув до модели Mogao (0.89). Даже в задачах на понимание изображений X-Omni показывает себя достойно: на OCRBench ее результат (704) превосходит другие унифицированные модели, например Emu3 (687). 🟡Интересные подробности. Во-первых, X-Omni не нуждается в CFG. В отличие от Emu3 или Janus-Pro, качество которых резко падает при отключении CFG, X-Omni работает стабильно. Во-вторых, что, пожалуй, самое важное, RL превосходит даже SFT с последующим сэмплингом best-of-N. Этот вывод идет вразрез с устоявшимся мнением в области языкового моделирования и доказывает, что для изображений холистическая оптимизация через RL дает существенный прирост качества. 📌Лицензирование: Apache 2.0 License. 🟡Страница проекта 🟡Набор моделей 🟡Arxiv 🟡Demo 🖥GitHub @ai_machinelearning_big_data #AI #ML #T2I #RL #XOmni #Tencent

Хороший Бесплатный Python курс от Google Рассчитан для новичков и содержит эти темы: - Настройка - Введение в Python - Списки - Сортировка - Дикты и файлы - Обычные выражения - Утилиты и тп. Тут есть ZIP с заданиями, которые нужно скачать и открыть в редакторе для решения (пример на скрине) https://developers.google.com/edu/python/set-up?hl=ru

🔥 Agent-S — open-source фреймворк от Simular AI, который создаёт ИИ-агентов, способных автоматически взаимодействовать с компьютером, имитируя действия человека. 💡 Проект предназначен для разработки ИИ-агентов, способных обучаться и выполнять сложные задачи, такие как управление GUI. Поддерживает интеграцию с крупными языковыми моделями (LLM) и предоставляет API для поиска и извлечения данных через Perplexica. 🔐 Лицензия: Apache-2.0 📖 Arxiv 🖥 Github @data_analysis_ml

Супер подбора для подготовки к Собесу: 🟢Более 100 вопросов с собеседования Python. Разбор реальных вопросов. 🟢120 ключевых вопросов по SQL за 2025 год 🟢 100 вопросов с собеседований продвинутого DevOps специалиста: подробный разбор 🟢100 вопросов со собеседований по Docker с подробными ответами 🟢100 вопросов для продвинутого Linux администратора 🟢100 вопросов c собесов в Data Science и ML 🟢100 вопросов с собеседованию Go.

Разработка платформера на Python: подробный проект с кодом В этой статье мы разберём, как создать простой, но функциональный платформер на Python с использованием библиотеки Pygame. Платформер — это жанр игр, где игрок управляет персонажем,перемещающимся по уровням с препятствиями и платформами. Мы последовательно рассмотрим, как подготовить окружение, спроектировать игру, реализовать движок, персонажа, платформы и обработку столкновений. 📌 https://uproger.com/razrabotka-platformera-na-python-podrobnyj-proekt-s-kodom/

🔥 100 вопросов со собеседований по Docker с подробными ответами Хочешь пройти собеседование по Docker без "ммм..." и "сейчас погуглю"? Мы собрали 100 самых частых (и каверзных) вопросов с реальных интервью — с чёткими, техничными и понятными ответами. Это не шпаргалка, это твой боевой лист на собес. К вопросам: https://uproger.com/100-voprosov-so-sobesedovanij-po-docker-s-podrobnymi-otvetami/