Python Portal

NVIDIA выпустила модель распознавания речи всего с 0.6 млрд параметров. Она называется Nemotron-3.5-ASR. - Поддерживает более 40 языков. - Выдаёт результат в режиме реального времени через потоковый вывод. - Может работать полностью на CPU, без GPU. - Работает в 2.5 раза быстрее официального рантайма NeMo, при этом качество распознавания остаётся идентичным. - Подходит для полностью офлайн-сценариев. - Легко встраивается в пайплайны ИИ-агентов. https://huggingface.co/nvidia/nemotron-3.5-asr-streaming-0.6b 👉 @PythonPortal

Пособие Path to Senior Engineer Handbook собрало ресурсы для разработчиков, которые хотят вырасти до уровня Senior Engineer. Внутри: Более 50 рассылок по профессиональному росту, системному дизайну, лидерству и веб-разработке. Подборка книг по коммуникации, техническому письму и построению рабочих отношений. Отобранные YouTube-каналы, подкасты и профессиональные сообщества. Курсы, научные статьи и образовательные платформы для более глубокого изучения тем. Хорошая отправная точка для тех, кто хочет прокачивать не только технические навыки, но и архитектурное мышление, коммуникацию и лидерские компетенции. 👉 @PythonPortal

Не в ресурсе чутка 👉 @PythonPortal

Сколько сервисов вы используете для работы с нейросетями? Один — для текста, второй — для изображений, третий — для кода. Плюс отдельные подписки, разные оплаты и десятки вкладок. Polza.ai объединяет всё это в одном месте. Это агрегатор нейросетей, где собраны сотни ИИ-моделей и провайдеров — как зарубежных, так и российских. Тексты, код, изображения, видео и аудио доступны через единый кабинет. Работать можно через API или в удобной Нейростудии — без сложной настройки и лишней технической рутины. Внутри платформы есть прозрачная аналитика: видно все запросы, используемые модели, расходы и стоимость каждого действия. Можно сравнивать провайдеров, выбирать оптимальные решения под свои задачи и полностью контролировать бюджет. Оплата в рублях, единый баланс, автопополнение и полная история списаний избавляют от лишней бухгалтерии. А для команд предусмотрены роли, управление доступами, счета и закрывающие документы. 🔶Polza.ai — один кабинет для всей работы с ИИ. Без хаоса из сервисов, подписок и оплат.

Как создать декоратор с аргументами через класс в Python 🐍 👉 @PythonPortal

На Reddit кто-то собрал все ресурсы, которые использовал для подготовки к собеседованиям по алгоритмам, System Design и Machine Coding. В итоге дошёл до интервью в Google. 1. Алгоритмы и паттерны Перед тем как гриндить задачи, стоит разобраться с паттернами. • All LeetCode Articles on Coding Patterns Summarized https://leetcode.com/discuss/interview-question/5366542/all-leetcode-articles-on-coding-patterns-summarized-in-one-page • Solved All Two Pointers Problems in 100 Days https://leetcode.com/discuss/study-guide/1688903/Solved-all-two-pointers-problems-in-100-days • Tree Question Pattern 2023 — Tree Study Guide https://leetcode.com/discuss/study-guide/2879240/tree-question-pattern-2023-tree-study-guide • Important and Useful Links from All Over LeetCode https://leetcode.com/discuss/general-discussion/665604/Important-and-Useful-links-from-all-over-the-LeetCode • Coding Interview Preparation Problems for Beginners https://leetcode.com/discuss/interview-question/448284/Coding-Interview-preparation-problems-for-beginners 2. Подготовка под компании • Google, Meta, Apple, Amazon Senior SDE Preparation https://prachub.com/?sort=hot&company=Meta%2CGoogle%2CTikTok%2CAmazon • A Study Guide for Passing the Google Interview https://prachub.com/interview-guide Автор также сделал небольшой трекер для подготовки: • задачи по компаниям • статусы Todo / Solved / Revision • автоматическое планирование повторений • AI-помощник с подсказками вместо готовых решений https://prachub.com/questions 3. System Design (HLD) Вместо случайных статей — структурированные подборки: • Arch 25 — самые частые системы и паттерны • Arch 50 — инфраструктура, данные и отказоустойчивость • Arch 75 — более сложные сценарии и специализация под компании • Arch All — полный банк из 103 HLD-задач • Core Concepts — 33 разбора распределённых систем 4. Machine Coding / LLD Эту часть многие недооценивают до первого провала на интервью. • MaCo 30 — самые частые задачи • MaCo 60 — расширенная подборка • MaCo All — полный набор из 103 задач • Design Patterns — 31 паттерн проектирования Если готовишься на SDE2/Senior, то одного LeetCode обычно уже недостаточно. System Design и LLD начинают влиять на результат не меньше, чем алгоритмы. 👉 @PythonPortal

Если хочешь серьёзно прокачать DSA (структуры данных и алгоритмы), посмотри этот цикл лекций В нём около 90 часов материала по всем ключевым темам спортивного программирования, причём всё объясняется очень доступно и понятно. Мне очень понравилось, как он преподаёт. Ссылка : https://www.youtube.com/playlist?list=PLrS21S1jm43igE57Ye_edwds_iL7ZOAG4 👉 @PythonPortal

Artificial Analysis открыла исходный код Stirrup — фреймворка для Python-разработчиков, создающих AI-агентов. Самая болезненная часть обычно начинается не с первого вызова модели. Проблемы появляются вокруг инструментов, файлов, контекста, клиентов провайдеров и выполнения кода. Stirrup старается решить именно эту часть, оставаясь лёгкой основой без навязывания жёсткого пайплайна или архитектуры. Из интересного:

агентный цикл с finish-tools сессии для управления жизненным циклом инструментов и файлов локальное выполнение кода и веб-инструменты из коробки поддержка выполнения кода через Docker и E2B MCP, skills, мультимодальный ввод и интеграция с LiteLLM

Проект распространяется по лицензии MIT, а в метаданных пакета пока отмечен как Beta. Любопытно, что именно у каждого разработчика всё равно приходится переписывать поверх агентных фреймворков. Обычно это память, управление контекстом, оркестрация инструментов или механизмы восстановления после ошибок. https://github.com/ArtificialAnalysis/Stirrup 👉 @PythonPortal

10 GitHub-репозиториев, которые стоит посмотреть AI-инженеру 1. Hands-On AI Engineering Подборка AI-приложений и агентных систем с практическими кейсами использования LLM. 👉 github.com/Sumanth077/Hands-On-AI-Engineering 2. Hands-On Large Language Models Полный код из книги Hands-On Large Language Models: от основ до файнтюнинга. 👉 github.com/HandsOnLLM/Hands-On-Large-Language-Models 3. AI Agents for Beginners Бесплатный курс от Microsoft из 11 уроков по созданию AI-агентов. 👉 github.com/microsoft/ai-agents-for-beginners 4. GenAI Agents Большая коллекция туториалов и реализаций агентных систем. 👉 github.com/NirDiamant/GenAI_Agents 5. Made With ML Про разработку, деплой и поддержку production-ready ML-систем. 👉 github.com/GokuMohandas/Made-With-ML 6. Learn Harness Engineering Практический курс по Harness Engineering для AI-агентов. 👉 github.com/walkinglabs/learn-harness-engineering 7. AutoResearch Автономные циклы ML-экспериментов от Andrej Karpathy. 👉 github.com/karpathy/autoresearch 8. Designing Machine Learning Systems Конспекты и материалы по книге Chip Huyen. 👉 github.com/chiphuyen/dmls-book 9. Awesome LLM Inference Подборка материалов по инференсу LLM: Flash Attention, KV Cache, квантование и другое. 👉 github.com/xlite-dev/Awesome-LLM-Inference 10. LLM Course Практический курс по LLM с roadmap и Colab-ноутбуками. 👉 github.com/mlabonne/llm-course 👉 @PythonPortal

В этой компании амбиции встречают поддержку Сегодня советуем канал про работу в Selectel — компании, где нет жестких рамок. Только инженерное творчество, свобода экспериментировать и хардкорные задачи, которые пушат рынок. Selectel — провайдер ИТ-инфраструктуры с собственными дата-центрами, технологиями и хардкорными продуктами. А в своем канале ребята рассказывают про то, как и кто всё это создает: живые кейсы, рабочие практики, контент про развитие софтов и полезные инструменты, которые легко забрать себе. Что советуем почитать у ребят: • Пет-проекты сотрудников Selectel — от CTF-площадки до Minecraft-сервера • Что было дальше — квест про будни разработчика • Все идет по cronу — или нет? • А ты точно разработчик? Про собеседования в эпоху AI Контент разный, но годный — много технических разборов с примерами, внутренней кухни реальных проектов и дайджестов техконтента. Подписывайтесь, чтобы не пропустить новые посты (и свежие вакансии — говорят, у ребят хорошо). Реклама. АО "Селектел". erid:2W5zFHSi76H

Если часто работаешь с изображениями, скриншотами или сканами документов, вот полезная OCR-утилита для терминала. Она использует Apple Vision Framework, поэтому всё распознавание выполняется локально на устройстве.

npx mac-ocr ./image.png

Удобный лайфхак для AI-агентов: сначала прогнать изображение через OCR и передать модели уже готовый текст. Так можно заметно сократить расход vision-токенов. Исходник: https://github.com/privatenumber/mac-ocr 👉 @PythonPortal

Матрицы Дирака (чаще называемые гамма-матрицами) — это набор матриц, введённых Полем Дираком при создании уравнения Дирака. Они играют ключевую роль в квантовой механике и квантовой теории поля, особенно при описании частиц со спином 1/2, таких как электрон. Paul Dirac — один из крупнейших физиков-теоретиков XX века. Он внёс фундаментальный вклад в развитие квантовой механики и квантовой электродинамики и считается одним из основателей современной теоретической физики. Работы Дирака привели к появлению релятивистской квантовой теории электрона и предсказанию существования антиматерии задолго до её экспериментального обнаружения. 👉 @PythonPortal

Python Docker Tutorials На этой странице собраны все руководства по использованию Docker с Python. https://realpython.com/tutorials/docker/ 👉 @PythonPortal

Этот инструмент проверяет производительность всего сайта. Он сканирует все страницы и выставляет оценку каждой из них. Что-то вроде Lighthouse, но с обзором всего сайта целиком. Запуск:

npx unlighthouse --site <ваш-сайт>

👉 @PythonPortal

Это исследование хорошо ложится на опыт любого, кто активно работает с Claude Code, Codex или другими агентами. Оно смотрит не на бенчмарки, а на реальную работу в разработке: как именно AI-агенты раздражают разработчиков в живых сессиях. Авторы проанализировали 20 574 сессии (IDE и CLI). “Фейл” они определили не как падение кода, а как моменты, когда разработчик начинает исправлять, прерывать или спорить с агентом. Картина довольно приземлённая. Чаще всего проблема не в том, что код не работает. Проблема в том, что агент нарушает явно заданные ограничения. Ты пишешь: “не трогай этот файл”, “пока ничего не меняй”, “сделай минимальные правки” — он всё равно лезет дальше. Просишь объяснить проблему — он параллельно начинает менять код. Говоришь проверить всё перед финальным ответом — он рапортует успех до запуска проверок. Есть интересное разделение: CLI-агенты чаще нарушают границы, потому что им дают длинные, слабо ограниченные задачи. IDE-агенты чаще делают локальные ошибки, потому что работают как плотный “копилот” и постоянно правят код в мелких итерациях. Самое неприятное в этих сбоях — они редко ломают систему сразу. Они просто съедают время и доверие. Приходится постоянно перепроверять: понял ли он задачу, не вышел ли за рамки, реально ли он что-то проверил. Это хорошо совпадает с практикой: утомляет не столько генерация кода, сколько постоянный контроль над тем, не уехал ли агент в сторону. И отсюда простой вывод. Улучшение агентов — это не только про качество кода. Это про соблюдение границ, понимание намерений и честную отчётность о прогрессе. Главная проблема тут не в скорости написания кода. А в том, сколько времени уходит на разбор того, что он “написал не туда”. 👉 @PythonPortal

Если ты давно используешь Claude Code или Codex для разработки проектов, стоит попробовать Trellis. Назвать его самым близким к «памяти проекта для ИИ» решением на сегодняшний день — не преувеличение. Многие замечают, что со временем ИИ начинает работать менее надёжно. Обычно первым делом пытаются перейти на более мощную модель или писать ещё более длинные промпты. Но проблема часто не в модели. Каждый новый запуск начинается практически с чистого листа: структуру проекта, соглашения по именованию, выбранный стек технологий и текущее состояние работы приходится объяснять заново. Trellis решает эту проблему на уровне проекта. Он создаёт каталог .trellis/, где хранит правила команды, задачи, прогресс и накопленные знания о проекте. Всё это коммитится в репозиторий вместе с кодом. Когда ИИ подключается к работе, он сначала читает эти данные и сразу понимает, какие правила соблюдать, на каком этапе находится проект и над чем нужно работать дальше. По сути, проект получает собственную долговременную память. Передача задач между сессиями перестаёт быть болезненной, независимо от того, какой агент продолжает работу. Причём Trellis — это не просто хранилище контекста. Он предлагает полноценный рабочий процесс: сначала уточнение требований, затем реализация, после этого самопроверка по правилам проекта и тестам, а в конце сохранение нового опыта обратно в проект для будущих сессий. Есть и менее известные возможности. Для сложных задач Trellis может самостоятельно разбивать работу на подзадачи и запускать несколько параллельных ИИ-агентов без конфликтов между ними. В командной разработке правила, созданные одним разработчиком, автоматически начинают применяться всеми агентами остальных участников команды. Новые разработчики получают единый контекст практически без дополнительной настройки. Trellis не привязан к конкретному инструменту. Он поддерживает 14 платформ для ИИ-разработки, включая Claude Code, Codex, Cursor и другие. Использовать ИИ без дополнительной памяти — примерно как каждый день нанимать нового умного подрядчика, который ничего не помнит о вчерашней работе. С Trellis ИИ начинает работать так, будто у проекта появилась команда, которая помнит накопленный опыт и придерживается общих правил. Open Source-проект. На данный момент — более 9000 звёзд на GitHub и свыше 5000 загрузок в неделю. GitHub: https://github.com/microsoft/TRELLIS 👉 @PythonPortal

Скорость и продуктивность: +100 👉 @PythonPortal

Google опубликовала бесплатное руководство по масштабированию ИИ-моделей и работе с GPU. 📘 How to Scale Your Model https://jax-ml.github.io/scaling-book/ 📘 How to Think About GPUs https://jax-ml.github.io/scaling-book/gpus/ В материалах разбираются принципы масштабирования моделей, устройство GPU, вычислительные ограничения, пропускная способность памяти, параллелизм и другие темы, которые пригодятся при обучении и запуске современных ИИ-моделей. Полностью бесплатно и доступно онлайн. 👉 @PythonPortal

Часто вижу, как люди говорят, что в IT невозможно войти без дорогих курсов. При этом огромное количество качественных материалов доступно бесплатно:

📚 Computer Science https://github.com/ossu/computer-science 📚 Data Structures & Algorithms https://github.com/jwasham/coding-interview-university 📚 System Design https://github.com/donnemartin/system-design-primer 📚 Web Development https://github.com/TheOdinProject/curriculum 📚 Frontend / Backend / DevOps / Cloud https://github.com/kamranahmedse/developer-roadmap 📚 Data Engineering https://github.com/DataTalksClub/data-engineering-zoomcamp 📚 Machine Learning & AI https://github.com/microsoft/ML-For-Beginners 📚 MLOps https://github.com/DataTalksClub/mlops-zoomcamp 📚 Cybersecurity https://github.com/OWASP/CheatSheetSeries 📚 Linux https://github.com/trimstray/the-book-of-secret-knowledge 📚 Free Programming Books https://github.com/EbookFoundation/free-programming-books

Если у тебя есть интернет и немного свободного времени, можно бесплатно изучить компьютерные науки, алгоритмы, системный дизайн, DevOps, облака, безопасность и машинное обучение. Сейчас дефицит не в информации. Дефицит в том, чтобы регулярно открывать эти репозитории и действительно по ним заниматься. 👉 @PythonPortal

Foundations of Computer Science от Alfred Aho и Jeffrey Ullman доступна бесплатно онлайн. Классический учебник по информатике, который охватывает: • конечные автоматы • формальные языки • теорию вычислений • основы алгоритмов и вычислительных моделей Хорошая отправная точка для тех, кто хочет разобраться в фундаментальных концепциях Computer Science, лежащих в основе компиляторов, языков программирования и теории вычислений. Книга: http://infolab.stanford.edu/~ullman/focs.html #computerscience #book #theory #cs 👉 @PythonPortal