Python Community
Открыть в Telegram
Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission
Больше
Сеть:📈 Аналитический обзор Telegram-канала Python Community
Канал Python Community (@python_community_ru) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 11 777 подписчиков, занимая 10 540 место в категории Технологии и приложения и 55 278 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 11 777 подписчиков.
Согласно последним данным от 13 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -74, а за последние 24 часа — -3, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 4.95%. В первые 24 часа после публикации контент обычно набирает 2.73% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 583 просмотров. В течение первых суток публикация набирает 322 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 2.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как docker, git, github, контейнер, await.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Python Community RU - СНГ сообщество Python-разработчиков
Чат канала: @python_community_chat
Сотрудничество: @cyberJohnny и @Sergey_bzd
РКН реестр:
https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission”
Благодаря высокой частоте обновлений (последние данные получены 14 июля, 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.
11 779
Подписчики
-324 часа
-167 дней
-7430 день
Загрузка данных...
Похожие каналы
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=256&q=75)
![About Python [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1mSDRp%2F5199693112157519753%3Fty%3Dx&w=256&q=75)
Облако тегов
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
июль '26
июль '26
+8
в 0 каналах
июнь '26
+21
в 0 каналах
Get PRO
май '26
+42
в 0 каналах
Get PRO
апрель '26
+42
в 0 каналах
Get PRO
март '26
+19
в 0 каналах
Get PRO
февраль '26
+18
в 0 каналах
Get PRO
январь '26
+16
в 0 каналах
Get PRO
декабрь '25
+7
в 0 каналах
Get PRO
ноябрь '25
+19
в 0 каналах
Get PRO
октябрь '25
+13
в 0 каналах
Get PRO
сентябрь '25
+5
в 0 каналах
Get PRO
август '25
+14
в 0 каналах
Get PRO
июль '25
+7
в 0 каналах
Get PRO
июнь '25
+29
в 0 каналах
Get PRO
май '25
+12
в 0 каналах
Get PRO
апрель '25
+15
в 0 каналах
Get PRO
март '25
+19
в 0 каналах
Get PRO
февраль '25
+27
в 0 каналах
Get PRO
январь '25
+18
в 0 каналах
Get PRO
декабрь '24
+12
в 0 каналах
Get PRO
ноябрь '24
+6
в 0 каналах
Get PRO
октябрь '24
+82
в 0 каналах
Get PRO
сентябрь '24
+27
в 0 каналах
Get PRO
август '24
+29
в 0 каналах
Get PRO
июль '24
+13
в 1 каналах
Get PRO
июнь '24
+10
в 0 каналах
Get PRO
май '24
+28
в 0 каналах
Get PRO
апрель '24
+65
в 0 каналах
Get PRO
март '24
+82
в 17 каналах
Get PRO
февраль '24
+28
в 0 каналах
Get PRO
январь '24
+64
в 5 каналах
Get PRO
декабрь '23
+74
в 4 каналах
Get PRO
ноябрь '23
+53
в 6 каналах
Get PRO
октябрь '23
+95
в 4 каналах
Get PRO
сентябрь '23
+51
в 0 каналах
Get PRO
август '23
+219
в 0 каналах
Get PRO
июль '23
+66
в 0 каналах
Get PRO
июнь '23
+133
в 0 каналах
Get PRO
май '23
+33
в 0 каналах
Get PRO
апрель '23
+29
в 0 каналах
Get PRO
март '23
+30
в 0 каналах
Get PRO
февраль '23
+82
в 0 каналах
Get PRO
январь '23
+27
в 0 каналах
Get PRO
декабрь '22
+98
в 0 каналах
Get PRO
ноябрь '22
+200
в 0 каналах
Get PRO
октябрь '22
+320
в 0 каналах
Get PRO
сентябрь '22
+310
в 0 каналах
Get PRO
август '22
+358
в 0 каналах
Get PRO
июль '22
+194
в 0 каналах
Get PRO
июнь '22
+55
в 0 каналах
Get PRO
май '22
+81
в 0 каналах
Get PRO
апрель '22
+52
в 0 каналах
Get PRO
март '22
+33
в 0 каналах
Get PRO
февраль '22
+15
в 0 каналах
Get PRO
январь '22
+31
в 0 каналах
Get PRO
декабрь '21
+39
в 0 каналах
Get PRO
ноябрь '21
+20
в 0 каналах
Get PRO
октябрь '21
+19
в 0 каналах
Get PRO
сентябрь '21
+357
в 0 каналах
Get PRO
август '21
+6 044
в 0 каналах
Get PRO
июль '21
+36
в 0 каналах
Get PRO
июнь '21
+38
в 0 каналах
Get PRO
май '21
+8 384
в 0 каналах
Get PRO
апрель '21
+18 733
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 14 июля | +1 | |||
| 13 июля | +2 | |||
| 12 июля | 0 | |||
| 11 июля | 0 | |||
| 10 июля | +1 | |||
| 09 июля | 0 | |||
| 08 июля | +1 | |||
| 07 июля | 0 | |||
| 06 июля | +2 | |||
| 05 июля | 0 | |||
| 04 июля | 0 | |||
| 03 июля | +1 | |||
| 02 июля | 0 | |||
| 01 июля | 0 |
Посты канала
🔍 OmniParser (https://github.com/microsoft/OmniParser?tab=readme-ov-file) — это инструмент от Microsoft, предназначенный для разбора и анализа интерфейсов приложений на основе скриншотов
🌟 OmniParser позволяет распознавать и структурировать элементы интерфейса, обеспечивая, чтобы визуальные агенты на основе GPT могли ориентироваться и взаимодействовать с различными GUI-компонентами. OmniParser поддерживает модель для обнаружения интерактивных областей и описания иконок, делая возможным создание агентов, ориентированных на визуальное восприятие
🔐 Лицензия: CC-BY-4.0
🖥 Github (https://github.com/microsoft/OmniParser?tab=readme-ov-file)
@Python_Community_ru
| 2 |  ⚡️ OpenChronicle - локальная память для AI-агентов
Одна из главных проблем AI-агентов: они быстро теряют контекст.
Сегодня вы обсуждали проект, архитектуру, людей, решения и инструменты. Завтра агент снова спрашивает: «А что мы делаем?»
OpenChronicle пытается закрыть эту дыру.
Он запускается на Mac, смотрит на рабочий контекст и превращает его в постоянную Markdown-память:
* проекты
* решения
* инструменты
* людей
* последние действия
* важные рабочие детали
Память хранится локально, её можно открыть и прочитать руками. Под капотом - Markdown на диске и SQLite.
https://github.com/Einsia/OpenChronicle
@Python_Community_ru | 344 |
| 3 |  Агенты прокачивают друг друга
UCSB-AI выложили GEA, фреймворк для open-ended self-improvement агентов через обмен опытом.
Идея простая, но мощная: улучшать не одного агента в вакууме, а целую группу агентов как одну эволюционирующую систему.
Один агент нашёл удачный паттерн, другой переиспользовал его, третий доработал, группа стала сильнее.
Это похоже на переход от «один AI сам себя улучшает» к «популяция агентов накапливает коллективный опыт».
В репозитории есть код для запуска GEA, интеграция с SWE-bench и Polyglot, Docker-окружение, промпты и инструменты для foundation-моделей. Проект распространяется под Apache-2.0.
https://github.com/UCSB-AI/GEA
@Python_Community_ru | 395 |
| 4 |  GPT-5.6 Terra выглядит слабым выбором по соотношению интеллект / цена.
Судя по графику, Terra проигрывает почти на всей кривой эффективности.
То есть его трудно оправдать и по стоимости, и по производительности.
Luna и Sol стабильно выглядят сильнее:
* за те же деньги дают больше intelligence
* или дают похожий уровень intelligence дешевле
* на разных reasoning-режимах обходят Terra
Особенно выделяется Luna.
Она даёт конкурентный уровень качества за заметно меньшую цену, поэтому выглядит лучшим вариантом для задач, где важна эффективность.
Вывод простой: если нужен разумный default по цене и качеству, Luna сейчас выглядит сильнее Terra.
https://x.com/Machinelearrn/status/2075969904826605891
@Python_Community_ru | 494 |
| 5 |  Хорошая памятка по Python-скриптам, которые не стыдно запускать не только у себя на ноутбуке.
Что советуют:
* зависимости можно указывать прямо в файле через inline metadata и запускать через uv run
* секреты не хардкодить, а брать из env, getpass или системного keyring
* print() оставить для пользователя, logging — для отладки
* env-переменные документировать в --help
* результат отдавать в stdout, ошибки и логи — в stderr
* поддерживать pipe через stdin
* завершаться нормальными exit code
* явно задавать приоритет конфигурации: CLI > env > config > default
Маленький скрипт тоже может быть удобным, безопасным и предсказуемым.
Особенно когда его через месяц запускает уже не автор, а кто-то другой.
https://www.bitecode.dev/p/scripting-good-practices-in-python
@Python_Community_ru | 570 |
| 6 |  Нет текста... | 533 |
| 7 | 🌟 General Intuition в коллабе с Epic Games сделали мультиплеерную модель мира
Институт General Intuition вместе с французской лабораторией Kyutai и Epic Games представил (https://mira-wm.com/blog-post/) MIRA, генеративный симулятор, воспроизводящий матчи Rocket League (https://www.rocketleague.com/play) в формате 2 на 2 в реальном времени.
На входе только история кадров и нажатия клавиш всех четырёх игроков: ни физического движка, ни рендер-движка, ни явных 3D-представлений в инференсе нет.
В отличие от Odyssey, где логика вычислений и рендеринг разведены, MIRA пошла (https://mira-wm.com/paper) по пути генеративной симуляции в латентном пространстве видео.
В основе - диффузионный трансформер на 5 млрд параметров и отдельный видеокодек-представление на 600 млн.
Вместо автоэнкодера кодек строится поверх замороженного DINOv3-L, и латентное пространство выходит настолько стабильным, что специальные приёмы против дрейфа не понадобились, модель работает из коробки на обычном diffusion forcing (https://arxiv.org/pdf/2407.01392).
Экраны четырёх игроков MIRA сшивает в единую сетку латентов, чтобы механизмы пространственного внимания работали между ракурсами и держали машины, мяч и события согласованными на всех видах.
Механизм action dropout достраивает поведение машин, для которых команды не пришли, компенсируя пропуски в потоках действий.
Всего на обучение MIRA ушло около 10 тыс часов геймплея, целиком сгенерированных ботами.
🟡 Тесты
Латентный подход бьёт пиксельный на порядок: gFID 10.7 против 81–105 и ARR 0.91 против 0.49–0.61 (ARR измеряет, насколько отданные команды считываются обратно из генерации).
Ключ к стабильности именно в DINOv3-L, без него картинка дрейфует в 1.3–1.7 раза сильнее, а с ним gFID держится ровным вплоть до 5 минут, и на практике роллаут идёт часами без коллапса.
ARR, кстати, совпадает с оценками живых людей (корреляция Пирсона 0.84).
🟡Недостатки
Контекст модели около четырёх секунд, поэтому повторы голов она попросту досочиняет - выглядит правдоподобно, но не совпадает с тем, что было на самом деле.
Часы и счёт плывут на переходах, а за 40 минут игры набегает порядка 80 некомандных бустов и 30 прыжков.
Авторы опубликовали код (https://github.com/mira-wm/mira) обучения и инференса, а также сет Rocket Science (https://huggingface.co/datasets/kyutai/rocket-science) из 1000 часов каток в 720p с потоками действий и физическими состояниями.
На одной NVIDIA B200 модель выдаёт 20 FPS при 576p в реальном времени. Потыкать в играбельное демо можно тут. (https://mira-wm.com/play/?via=game-00)
@ai_machinelearning_big_data
#news #ai #ml
@Python_Community_ru | 432 |
| 8 |  ✔️ DeepSeek-V4 теперь можно запускать локально через GGUF от Unsloth.
DeepSeek-V4-Flash в lossless-версии запускается на 168 ГБ RAM.
3-битная версия работает на Mac и сетапах с RAM/VRAM примерно от 110 ГБ.
Unsloth также улучшили chat template, чтобы модель корректнее работала в диалоговом формате.
Запускать можно через Unsloth Studio или llama.cpp.
Гайд: unsloth.ai/docs/models/deepseek-v4
GGUF: huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF
@Python_Community_ru | 478 |
| 9 | ✔️ Data-Juicer: пайплайн для подготовки данных под foundation models
Alibaba и сообщество Data-Juicer развивают open-source систему для обработки датасетов перед обучением, дообучением и RAG.
Data-Juicer помогает чистить, фильтровать, дедуплицировать, синтезировать и анализировать данные. Работает не только с текстом, но и с мультимодальными датасетами: изображениями, аудио и видео. В версии 2.0 заявлено больше 100 операторов для разных модальностей.
Практический сценарий понятный: есть сырой корпус из разных источников, где много дублей, мусора, слабых примеров и перекоса по доменам. Data-Juicer позволяет собрать воспроизводимый data recipe, прогнать его на локальной машине или в распределённом режиме и потом оценить, как изменения в данных влияют на модель.
Проект смотрит на данные как на отдельный слой оптимизации. Позволяет настроить качество, смесь, фильтры и пайплайн обработки. В ранней работе авторы показывали прирост до 7.45% по среднему score на 16 LLM-бенчмарках и 17.5% win rate в GPT-4 pairwise evaluation за счёт data recipes.
https://github.com/datajuicer/data-juicer
@Python_Community_ru | 528 |
| 10 |  Забавная игрушка на ночь: GitHub-профиль теперь можно превратить в карточку в стиле FIFA.
GitFut прогоняет аккаунт по метрикам вроде коммитов, звёзд, репозиториев, подписчиков и активности, а потом собирает карточку с рейтингом от 0 до 99.
Идеально, чтобы внезапно узнать, ты GitHub-легенда или бронзовый запасной с одним pet-проектом.
https://gitfut.com/
@Python_Community_ru | 603 |
| 11 |  The Easiest Way to Scrape the Web
Инструмент, который Имитирует браузеры для скрейпинга и парсит HTML в Markdown.
Незаметный web-scraping и удобный HTML-парсинг в Python.
https://github.com/jpjacobpadilla/Stealth-Requests
@Python_Community_ru | 637 |
| 12 |  ✔️ DeepSeek OCR локально на RTX 3090
Проект даёт полноценный OCR и умную обработку документов прямо у себя на машине через DeepSeek-OCR.
Что внутри:
загрузка изображений и многостраничных PDF
точное распознавание текста + структурирование
экспорт в Markdown / HTML / DOCX / JSON
извлечение изображений и сохранение формул
удобный интерфейс (React) + API (FastAPI)
готов к запуску в Docker
Подходит, когда нужно превратить сканы в редактируемые и поисковые документы без облака.
GitHub: http://github.com/rdumasia303/deepseek_ocr_app
@Python_Community_ru | 653 |
| 13 | Wagtail как Django admin на стероидах
Хороший разбор для Django-разработчиков: Wagtail можно использовать не только как CMS, но и как более удобную админку для обычных Django-моделей.
Смысл простой: Django admin быстро даёт UI вокруг моделей, но кастомизация часто превращается в боль. Wagtail даёт более современный интерфейс, нормальную работу с полями, группировку через panels, роли, permissions, rich text, media library, versioning и редакторские workflow.
При этом не нужно переписывать проект под CMS-логику. Wagtail ставится как обычный Django-пакет, добавляется в INSTALLED_APPS, подключается в urls.py, а бизнес-логика, views, forms и templates остаются обычными Django.
Самый практичный случай использования : взять существующий admin.py, перенести модели в Wagtail snippets и постепенно заменить старую админку там, где нужен интерфейс, который не стыдно показать клиенту.
Для внутренних тулзов, CRM, backoffice и контентных разделов это может быть намного приятнее, чем бесконечно допиливать стандартный Django admin.
https://timonweb.com/wagtail/wagtail-as-django-admin-on-steroids/
@Python_Community_ru | 584 |
| 14 |  Array API + JIT: как ускорять scientific Python без CUDA C
Quansight разобрали важную проблему: Array API помогает писать код под разные array-бэкенды, но в SciPy и похожих библиотеках много compiled-кода, который сложнее переносить на GPU и multicore CPU.
Авторы предлагают использовать Array API + JIT/AOT-компиляцию как альтернативу ручным специализированным kernels.
На примере SciPy RBF interpolator авторы показывают, что такой подход может дать серьёзный прирост производительности на CUDA без написания CUDA C-кода.
Scientific Python постепенно уходит от модели «пишем отдельную реализацию под каждое железо» к более удобному стеку, где один код может работать быстрее на разных backend’ах.
https://labs.quansight.org/blog/array-api-aot-jit
@Python_Community_ru | 658 |
| 15 |  Мы это не заслужили )
@Python_Community_ru | 763 |
| 16 | Anthropic выкатила Claude Sonnet 5 - мощнейший «агентный» Sonnet в линейке.
Главная идея: модель теперь лучше планирует, пользуется инструментами, браузером, терминалом и может дольше вести сложные задачи без постоянного контроля.
По словам Anthropic, Sonnet 5 приблизился к Opus 4.8 по агентным задачам, но стоит дешевле. Особенно упор сделали на кодинг, tool use, reasoning и работу с многошаговыми процессами.
Модель уже доступна во всех планах Claude, включая Free и Pro, а также в Claude Code и API.
Цена для разработчиков до 31 августа 2026:
• $2 за 1 млн input tokens
• $10 за 1 млн output tokens
Потом стандартная цена:
• $3 за input
• $15 за output
Интересный момент: Anthropic отдельно пишет, что Sonnet 5 безопаснее Sonnet 4.6 в агентных сценариях, лучше отказывается от вредных запросов и устойчивее к prompt injection.
По сути, это попытка сделать «рабочую лошадку» для AI-агентов: не самую дорогую, но достаточно сильную, чтобы закрывать кодинг, автоматизацию, браузерные задачи и долгие пайплайны.
https://www.anthropic.com/news/claude-sonnet-5
@Python_Community_ru | 786 |
| 17 |  Как запустить своего Джарвиса за 5 минут: локальный AI-ассистент OpenJarvis
Идея простая: вместо очередного облачного чат-бота вы собираете персонального AI-помощника, который работает ближе к вашему устройству, файлам и задачам.
https://github.com/open-jarvis/OpenJarvis
@Python_Community_ru | 685 |
| 18 |  🖥 GitHub Pages можно пересобрать почти на голом Python.
Автор показал, как сделать лёгкую платформу для хостинга статических сайтов без фреймворков и тяжёлой инфраструктуры. Только стандартная библиотека Python.
Идея простая:
• http.server отдаёт статические файлы
• небольшой Python-код добавляет логику деплоя
• автоматизация обновляет сайт после изменений
• HTTPS можно прикрутить без отдельного большого стека
Главный кайф не в том, чтобы «убить GitHub Pages», а в том, чтобы понять механику под капотом.
Статический хостинг - это не магия. Это файловая раздача, маршруты, деплой, сертификаты и немного аккуратной автоматизации.
Хороший материал для тех, кто хочет лучше понимать web-инфраструктуру, а не просто нажимать кнопку Deploy.
https://blog.klemek.fr/articles/2026-06-14/
@Python_Community_ru | 655 |
| 19 | Вышел scikit-learn 1.9.
Это не релиз про «новую модную модель», а про то, что библиотека становится удобнее для реальной ML-разработки.
Главное:
• experimental callbacks
Теперь можно вешать callbacks на estimator-ы через set_callbacks() и отслеживать ключевые этапы fit.
Из коробки есть ProgressBar для прогресса и ScoringMonitor для логирования метрик.
• лучшее HTML-представление моделей
В Jupyter estimator-ы теперь показывают больше полезной информации после fit: fitted attributes, типы, значения, output features у трансформеров и пайплайнов.
Для сложных Pipeline, ColumnTransformer и FeatureUnion это реально удобнее, чем вручную копаться в атрибутах.
• новый sparse_interface
Появилась настройка:
sklearn.set_config(sparse_interface="sparray")
Она позволяет управлять тем, возвращает scikit-learn старые SciPy sparse matrix или новые sparse array.
Пока default остаётся spmatrix, но дальше библиотека будет постепенно двигаться к sparray.
• больше поддержки Array API
Часть моделей и метрик теперь лучше работает с Array API-compatible inputs.
• Narwhals как новая лёгкая зависимость
Она нужна, чтобы проще поддерживать разные dataframe-библиотеки, например pandas и polars, особенно в связке с set_output.
Обновление:
pip install --upgrade scikit-learn
https://blog.scikit-learn.org/updates/release-1-9/
@Python_Community_ru | 647 |
| 20 |  В Python есть встроенный кэш, о котором многие забывают.
Если функция часто вызывается с одними и теми же аргументами, не всегда нужно руками писать словарь, Redis или отдельный слой кэширования.
Иногда хватает lru_cache из стандартного модуля functools.
Пример:
from functools import lru_cache
@lru_cache(maxsize=128)
def get_user(user_id):
print("Запрос к базе")
return {"id": user_id}
Первый вызов выполнит функцию.
Повторный вызов с тем же user_id вернёт результат из кэша.
get_user(1) # Запрос к базе
get_user(1) # уже из кэша
maxsize ограничивает размер кэша, а старые значения вытесняются по принципу LRU: least recently used.
Полезно для:
• тяжёлых вычислений
• запросов к API
• чтения редко меняющихся данных
• рекурсивных алгоритмов
Главное помнить: lru_cache хорошо работает, когда результат функции зависит только от её аргументов.
@Python_Community_ru | 580 |
