Python/ django

Nex-N2 - новое любопытное семейство агентных моделей. Что внутри: - Adaptive Thinking - модель сама подбирает глубину рассуждения на каждом шаге - экономия около 20% токенов без потери качества - Coherent Thinking - единый формат мышления для поиска, кодинга и tool use - меньше хрупких переключений между разными режимами работы По заявлению команды, Nex-N2 показывает уровень Tier-1 open-source моделей на SWE-bench, Terminal-Bench, GDPval и других бенчмарках, приближаясь к GPT-5.5 и Opus 4.7. Звучит мощно, но такие цифры стоит проверять независимыми прогонами. - Kimi-K2.6: 86% - 13 из 14 - MiniMax: 100% - 8 из 8 - GLM-5.1: 100% - 13 из 13 - DeepSeek-V4-Pro: 92% - 11 из 12 - Opus 4.7: 45% - 5 из 11 - GPT-5.5: 30% - 3 из 10 🎉 Open-weight. Try it now. 🔗 https://nex-agi.com 📦 https://huggingface.co/nex-agi/Nex-N2-Pro https://modelscope.cn/models/nex-agi/Nex-N2-Pro https://github.com/nex-agi/Nex-N2

🚀 GPU-библиотека для классического машинного обучения FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения. 🚀Основные моменты: - Поддержка 15 высокоуровневых примитивов для машинного обучения. - Информативный API для оценки производительности операций. - Оптимизированные реализации для кластеризации, регрессии и декомпозиции. - Легкая интеграция с PyTorch и sklearn. 📌 GitHub: https://github.com/FlashML-org/flashlib #python

✔️ Centaur - это платформа для совместного использования AI-агентов, интегрированных в Slack. Она позволяет командам взаимодействовать с агентами, которые выполняют задачи в изолированных средах Kubernetes, обеспечивая безопасность и гибкость. 🚀 Основные моменты: - Slack-агенты для выполнения задач и получения ответов. - Изолированные среды для безопасного выполнения команд. - Поддержка пользовательских инструментов и плагинов. - Долговременные рабочие процессы с возможностью восстановления. - Хранение состояния для повторного подключения без потери данных. 📌 GitHub: https://github.com/paradigmxyz/centaur #python

🖥 Python не медленный. Медленным его часто делает ваш код. У Python есть странная репутация: стоит программе начать тормозить, виноват сразу язык. Но в реальности большая часть быстрых сценариев в Python работает не потому, что интерпретатор внезапно стал магическим, а потому что тяжёлая работа уходит ниже - в C, C++ или Rust. CPython написан на C. Многие встроенные операции тоже выполняются в C: - len() - list.append() - dict.get() - sum() - сортировка - операции со строками - часть работы со списками и словарями Когда вы вызываете list.append(), Python не крутит всю логику добавления элемента на уровне байткода. Он платит небольшой overhead за вызов, а дальше попадает в C-функцию внутри CPython. Медленный путь начинается там, где мы вручную гоняем данные по одному элементу:

total = 0

for x in data:
    total += x

На каждой итерации интерпретатор должен выполнить байткод, достать объект, проверить типы, сделать операцию, обновить значение и перейти к следующему элементу. Для маленьких списков это незаметно. Для миллионов элементов это уже цена, которую вы платите за каждую итерацию. Быстрый путь выглядит иначе:

total = sum(data)

Здесь цикл проталкивается внутрь реализации. Python остаётся удобной оболочкой, а основная работа выполняется ближе к нативному коду. С NumPy та же идея, только ещё жёстче:

total = np.sum(data)

Внутренний цикл почти не возвращается в Python. Массив обрабатывается внутри оптимизированного нативного кода, а обратно приходит уже готовый результат. Поэтому фраза «Python медленный» слишком грубая. Точнее так: Python-циклы дорогие C-циклы дешёвые built-in функции часто быстрее ручного кода NumPy быстрый не из-за синтаксиса, а потому что не гоняет каждый элемент через интерпретатор хороший Python-код старается как можно дольше оставаться внутри готовых операций и библиотек Оптимизация Python часто начинается не с переписывания проекта на Go или Rust, а с простого вопроса: можно ли убрать ручной цикл и отдать работу тому коду, который уже написан на C, C++ или Rust? Python хорош не как самый быстрый исполнитель каждой операции. Он хорош как удобный слой управления над быстрыми нативными кусками.

🖥 В России второй день подряд жалуются на проблемы с доступом к PyPI, главному репозиторию пакетов для Python. По данным Downdetector, сбои затрагивают пользователей из разных регионов. PyPI для Python-разработчиков - это не просто сайт с библиотеками. Через него ставятся зависимости, фреймворки, CLI-утилиты и большая часть всего, что нужно для нормальной разработки. Когда он начинает отваливаться, ломается не «ещё один зарубежный сервис», а базовая инфраструктура языка. Диагностика интернет-блокировок показала обрыв соединения на этапе TLS. Это момент, когда клиент и сервер пытаются установить защищённое соединение. Такое поведение похоже на блокировки через DPI, то есть глубокую инспекцию пакетов. По симптомам ситуация напоминает недавние проблемы с доступом к DeepSeek, которые издание тоже связывало с похожим механизмом. При этом в Роскомнадзоре утверждают, что PyPI не ограничивали и проблем с доступом к ресурсу не фиксируют, сообщает «Осторожно, новости». Для разработчиков это неприятный сигнал. Даже если проблема окажется временным сбоем, зависимость от внешней инфраструктуры снова стала очень заметной: без PyPI внезапно сложнее собрать проект, поднять окружение, поставить зависимости и просто нормально работать с Python.

🖥 Python умеет читать бинарные файлы блоками очень элегантно - без ручного while True. Вот такой приём через functools.partial:

`iter(partial(f.read, 64), b'')`

Что тут происходит: partial(f.read, 64) превращает f.read(64) в функцию без аргументов. iter(..., b'') вызывает её снова и снова, пока результат не станет b'', то есть пока файл не закончится. В итоге получаем аккуратный цикл по блокам:

from functools import partial

with open("mydata.db", "rb") as f:
    for block in iter(partial(f.read, 64), b""):
        process_block(block)

⚡️ Как Redis считает миллиарды уникальных значений, почти не тратя память Есть алгоритм HyperLogLog. Он позволяет примерно понять, сколько уникальных элементов прошло через систему, используя около 12 KB памяти. Идея простая: Redis не хранит сами элементы. Он делает так: - берёт элемент - считает от него хеш - часть хеша использует как номер ячейки - в другой части смотрит, сколько нулей подряд встретилось - если новое число больше старого - обновляет ячейку Почему это работает? Потому что длинная серия нулей в хеше встречается редко. Например: - 1 ноль подряд - довольно часто - 5 нулей подряд - уже реже - 10 нулей подряд - примерно шанс 1 к 1024 - 20 нулей подряд - совсем редкое событие Если Redis увидел очень редкий паттерн, значит через него, скорее всего, прошло много разных элементов. В Redis используется 16 384 маленьких счётчика. Каждый хранит максимальную «редкость», которую видел для своей группы элементов. Потом Redis объединяет эти значения математикой и получает оценку уникальных элементов. Не точное число, а очень близкую оценку. Главный прикол HyperLogLog: он может обработать хоть миллионы, хоть миллиарды значений, но память почти не растёт. Именно поэтому Redis умеет считать уникальных пользователей, IP, запросы или события без огромных таблиц и списков.

O(1) не значит «быстро» Одна из самых частых ошибок в алгоритмах: считать, что O(1) всегда быстрее O(n). На практике это не так. O(1) означает только одно: время работы не растёт вместе с размером входных данных. Но сама операция может быть дорогой. Например, хеш-таблица формально даёт O(1) для поиска, но если данные не в кэше CPU, один cache miss может сделать её медленнее, чем простой линейный проход по маленькому массиву. Именно поэтому в Go, Python и даже C-библиотеках для маленьких map/таблиц иногда используют обычный linear search. Парадоксально, но: O(n) при n = 16 и тёплом кэше может быть быстрее, чем O(1) с холодным cache miss. Big O описывает асимптотический рост, а не реальную скорость на маленьких данных.

🔥 Три разных человека. Три разных проекта. Один и тот же подход. — Юра взял «скучную» нишу с готовым спросом → сначала печальные $100/мес, через год уже ~$10K/мес — Денис сделал Telegram-игру в одиночку на основе AI → ~ $1500 за 1,5 месяца после запуска — Аня без кода запустила AI-бота для изучения английского → первые ~$200 уже в 1 месяц Разные результаты. Разный масштаб. Но общие правила: 1. не придумывать «гениальную идею», а брать существующий спрос 2. делать простой MVP и быстро запускаться 3. докручивать монетизацию и продукт по факту использования Ребята сделали всё без команды, без инвестиций, а самое главное — без ожидания «идеального момента». Да, не у всех получается сразу. И не у всех выходит на $10K. Но если системно идти по схеме выше — появляется первый доход с продукта, а дальше уже есть что масштабировать. В комьюнити разбираем такие кейсы регулярно: @its_capitan. Что сработало, что нет, и почему.

✔️ Run Llama выкатили LiteParse - open-source инструмент для быстрого локального парсинга документов. Если задача - быстро достать текст, координаты, структуру страниц и скриншоты, это можно делать локально. Что умеет LiteParse: - парсит PDF через PDFium - сохраняет bounding boxes для текста - умеет OCR через встроенный Tesseract - поддерживает внешние OCR-серверы вроде EasyOCR или PaddleOCR - генерирует скриншоты страниц для LLM-агентов - отдаёт результат в JSON или обычный текст - работает из Rust, Python, Node.js/TypeScript и WASM - запускается на Linux, macOS и Windows Авторы прямо разделяют сценарии: LiteParse для быстрых локальных задач, LlamaParse - для тяжёлых случаев с таблицами, сложной версткой, графиками, рукописным текстом и сканами. https://github.com/run-llama/liteparse

🖥 Python умеет аккуратно читать вывод долгого процесса по мере выполнения Вместо того чтобы ждать завершения команды, можно запустить её через subprocess.Popen и читать stdout построчно. Так удобно следить за: - долгими скриптами - серверами - сборками - тестами - CLI-утилитами - фоновой обработкой данных Пример на картинке запускает HTTP-сервер и сразу печатает его вывод: subprocess.Popen(...) стартует процесс stdout=subprocess.PIPE забирает поток вывода iter(proc.stdout.readline, b'') читает строки, пока процесс жив Полезный паттерн, когда нужно не просто запустить команду, а видеть, что с ней происходит прямо сейчас.

⚡️ УЧИШЬ НЕЙРОСЕТИ ОТВЕЧАТЬ ПРАВИЛЬНО? ТЕБЕ К НАМ НА СТАЖИРОВКУ Промт-инженер — тот, кто пишет инструкции для AI-моделей и проектирует «мозг» AI-агентов. Одна из самых востребованных профессий в AI — и прямо сейчас мы ищем стажёров в это направление. ➡️ Учишься на 2+ курсе, знаешь Python, JSON и работаешь с LLM-стеком? Выбирай команду и присоединяйся к Сберу. Какие направления доступны: ✅AI и продуктовая аналитика ✅Управление бизнес-моделью ✅AI-помощники Phygital 🟢Гибрид или офис, Москва 🟢От 20 часов в неделю 🟢Зарплата до 81 300 ₽ в месяц Заходи на сайт, выбирай направление Prompt Engineering и регистрируйся 👉 sberstudent.ru/internship

✔️ Claude Code превращают в баг-хантинг машину Claude-BugHunter - skill bundle для Claude Code, который добавляет готовую методологию для легального bug bounty, security audit и authorized red-team задач. Это не один промпт в стиле «найди баги». Внутри целый набор рабочих навыков и команд: - 51 skill и 15 slash-команд - 574+ паттерна из раскрытых security-репортов - 24 класса уязвимостей - workflow для поиска, валидации, триажа и оформления findings - шаблоны под enterprise-цепочки для M365, Okta, VMware и VPN-appliances - scaffold папок под engagement: scope, notes, evidence, findings, reports - интеграция с Burp через MCP Проект: https://github.com/elementalsouls/Claude-BugHunter

Такой студенческий движ одобряем! Томский политех и Яндекс Образование запускают совместный студкемп по компьютерному зрению. С 10 по 23 августа 2026 года на базе ТПУ — очный двухнедельный интенсив для студентов, которые уже погружены в ML и хотят погрузиться в CV-индустрию. Участников будет ждать настоящая работа: исследовательские данные, прикладные кейсы от инженеров Яндекса и преподавателей ТПУ, собственный проект в портфолио и разборы с экспертами. Подробнее, что вас ждет: — Задачи из индустрии и науки: робототехника, медицина, автоматизация технологических процессов — Современный CV-стек: DL-архитектуры, мультиагентные системы на основе VLM — Нетворкинг со студентами, ML-специалистами со всей России Участие бесплатное. Тем, кто пройдёт отбор, Яндекс Образование оплатит проезд и проживание. Для тестового нужно знать Python, основы ML/DL, линейную алгебру, теорию вероятностей и матстат, базовые библиотеки (numpy, pandas, PyTorch, OpenCV). Регистрируемся на студкемп — по ссылке. Заявки принимают до 14 июня.

🐍 Python Roadmap 2026: наконец-то полноценная актуальная карта изучения Python, а не список ссылок «разберись сам» На GitHub выложили большой русскоязычный роадмап по Python на 2026 год - от первых скриптов до уровня Middle+/Senior. Маршрут собран под современный Python: - Python 3.13+ - free-threaded mode без GIL - JIT - uv вместо боли с pip/venv/poetry - ruff, pyright, pytest, hypothesis - async-first подход - типизация - CPython внутри - web, базы, ML/AI, DevOps и архитектура В роадмапе есть нормальная последовательность: сначала окружение и база, потом идиомы, ООП, типы, стандартная библиотека, асинхронность, тестирование, внутренности CPython, web, базы данных, AI-направление, продакшн и архитектура. Отдельный плюс - практический формат. На каждом этапе есть задачи, чеклисты, примеры кода и бесплатные ресурсы. То есть это не мотивационная простыня, а маршрут, по которому реально можно идти несколько месяцев и видеть прогресс. Для новичков - понятный путь без хаоса. Для джунов - способ закрыть дыры. Для тех, кто уже пишет на Python - хороший чеклист, чтобы понять, где ты всё ещё плаваешь. Python в 2026 году - это tooling, типы, async, инфраструктура, AI и продакшн-дисциплина. И этот роадмап как раз про такой Python. https://github.com/justxor/pythonroamap2026

🔥 AlphaProof Nexus: формальные доказательства начинают превращаться в инженерный пайплайн Google DeepMind показали AlphaProof Nexus - систему, которая автономно закрыла 9 открытых задач Эрдёша, часть из которых висела десятилетиями. По оценке авторов, стоимость решения одной задачи составила всего несколько сотен долларов. Кроме этого, система доказала 44 открытые гипотезы из OEIS, закрыла 15-летний вопрос в алгебраической геометрии и нашла новый алгоритмический параметр в оптимизационной теории, который раньше не был описан людьми. Модель генерирует идеи и фрагменты доказательств, а Lean проверяет каждый логический шаг через компилятор. Если доказательство некорректно, оно просто не проходит проверку. Не нужен рецензент, который вручную ищет дыру в рассуждении. Базовый агент, который просто чередует генерацию LLM и обратную связь от компилятора, смог повторить все 9 успешных решений задач Эрдёша. Более сложная версия с эволюционным поиском и reinforcement learning дала заметный выигрыш только на самых тяжёлых случаях. Чем сильнее становятся foundation models, тем чаще простые циклы «сгенерировал - проверил - исправил» начинают догонять специализированные архитектуры. Отличие от неформального подхода к математическим доказательствам принципиальное. Модель часто придумывала несуществующие леммы, ссылалась на «известные результаты» и пыталась спрятать сложность задачи в вспомогательное утверждение. В обычном текстовом доказательстве такие ошибки легко пропустить. Lean отсекает их сразу. Ещё один неожиданный эффект: агент находил неточности в формализациях уже существующих математических утверждений. То есть он работал не только как решатель, но и как диагностический инструмент для самой постановки задачи. Успехи пока сосредоточены там, где библиотека Lean уже достаточно зрелая: комбинаторика, теория чисел, оптимизация. Задачи, где нужно строить большой пласт новой теории, всё ещё далеко не закрыты. И большинство задач Эрдёша система не решила. Та же схема подходит для кодигша, спецификаций, верификации протоколов, компиляторов, криптографии. Формальная проверка отсекает галлюцинации. Модель может придумать лемму или сослаться на несуществующий результат, но Lean это не пропустит. https://arxiv.org/html/2605.22763v1 @ai_machinelearning_big_data

Устройтесь в Яндекс за 2 дня 6–7 июня проводим онлайн-мероприятие быстрого найма. Ищем продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет. Всего за два дня вы можете пройти все секции и получить офер: ⚪️ Зарегистрируйтесь до 27 мая, после регистрации с вами свяжется рекрутер и договорится об удобном времени для интервью. ⚪️ 6 июня пройдите две технические секции, вместо трёх в обычном найме: аналитические задачи на знание матстата и алгоритмическую задачу на знание алгоритмов и структур данных. ⚪️ 7 июня познакомьтесь с командами и получите офер. Подробности и регистрация — на сайте: yandex.ru/project/events/wo-analytics-0626

🌟 Интуитивные голосовые интерфейсы с Moonshine Voice Moonshine Voice — это открытый инструмент для разработчиков, позволяющий создавать голосовые приложения в реальном времени. Все работает на устройстве, обеспечивая высокую скорость и конфиденциальность без необходимости в учетных записях или API-ключах. Поддерживает множество языков и предлагает высокую точность распознавания речи. 🚀 Основные моменты: - Оптимизирован для приложений с низкой задержкой. - Поддержка множества платформ: от Python до IoT-устройств. - Простые в использовании API для транскрипции и синтеза речи. - Высокая точность моделей, превосходящая Whisper Large V3. - Многоязычная поддержка для STT и TTS. 📌 GitHub: https://github.com/moonshine-ai/moonshine #python

🔐 Стань этичным хакером - с нуля до Pro Хочешь зарабатывать на поиске уязвимостей, а не бояться их? Этот курс проведёт тебя от первой команды в терминале до реальных техник пентеста. Что внутри: → Разведка целей: nmap, curl, анализ заголовков → Криптография и разбор кода на практике → Эксплуатация уязвимостей и документирование находок → Только живые задачи - никакой воды Без скучной теории. Только то, за что платят в bug bounty и на собеседованиях в InfoSec. 📈 От «что такое порт» — до отчёта пентестера за несколько недель. 👉 Записывайся на Stepik и начни взламывать легально уже сегодня.

🚀 PgQue – Устойчивые очереди в Postgres PgQue предлагает универсальную архитектуру очередей для PostgreSQL, основанную на проверенной модели PgQ. Это решение без лишних зависимостей, работающее на любом управляемом Postgres, обеспечивая нулевое бремя и стабильную производительность под нагрузкой. 🚀 Основные моменты: - Никаких внешних демонов или расширений - Использует SQL и PL/pgSQL для установки - Обеспечивает ACID-транзакции и долговечность - Никакого накопления "мертвых" кортежей - Подходит для высоконагруженных систем 📌 GitHub: https://github.com/NikolayS/pgque #sql