Python RU

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/

🖥 Разработка реального и продвинутого ИИ‑проекта на Python В этой статье мы рассмотрим разработку реального проекта машинного обучения на языке Python с использованием нейронных сетей. Будем строить модель для классификации изображений, подробно объясняя каждый шаг и весь исходный код. 📌 Читать подробнее @pro_python_code

🧠 Qwen3-MT — Alibaba продолжает жечь и выпускает еще одну модель, в этот раз для машинного перевода. 🌍 Поддерживает 92+ языка, на которых говорит 95% населения мира 📚 Обучен на триллионах токенов из интернета, открытых документов и книгах, субтитров из видео. 🔬 Что внутри: - Модель Qwen3-MoE-72B с архитектурой Mixture-of-Experts - Заточена на переводческие фишки, поддерживает сложную терминологию и даже очень редкие слова. - RLHF: обучение с подкреплением повышает точность и естественность модели Возможности: ✅ Обеспечивает качественный перевод в реальном времени ✅ Контроль стиля и терминов ✅ Масштабируемость для API и продакшена ✅ Цена — от $0.5 за миллион токенов 🟡 Попробовать демку: https://huggingface.co/spaces/Qwen/Qwen3-MT-Demo 🟡 ModelScope: https://modelscope.cn/studios/Qwen/Qwen3-MT-demo 🟡 Документация API: https://alibabacloud.com/help/en/model-studio/translation-abilities 🟡 Блог с подробностями: https://qwenlm.github.io/blog/qwen-mt/ @ai_machinelearning_big_data #Qwen #Alibaba #ml #llm #ai

🗣 FLOAT — новая open‑source модель для генерации говорящих портретов по аудио Быстрее и реалистичнее SadTalker: — Фотореалистичное видео с точной синхронизацией губ — Плавные движения головы и эмоции — Управление выражением лица и наклоном головы 💡 Основа — latent flow matching вместо диффузии: ⚡️ генерация быстрее, нет итераций, стабильные кадры 🌐page: https://deepbrainai-research.github.io/float/ 🧬code: https://github.com/deepbrainai-research/float 📄paper: https://arxiv.org/abs/2412.01064 🍊jupyter: https://github.com/camenduru/Float-jupyter

🎁 Дарим набор топовых книг для разработчиков — чтобы учиться, расти и прокачивать скиллы. Условия участия максимально простые: Быть подписанным на Диджитализируй 🔸 подписаться на MachineLearning 🔸 подписаться на t.me/pythonl Победители случайным образом получат одну из этих великолепных книг: — Паттерны разработки на Python — Оптимизация запросов в PostgreSQL — 40 алгоритмов, которые должен знать каждый программист на Python — Машинное обучение. Подготовка к сложному интервью — Скрипты и алгоритмы успеха | Гандапас Радислав Иванович — Путь инженера-программиста: развитие навыков для успешной карьеры — Математика для Data Science — Как быть успешным в Data Science. — Грокаем алгоритмы искусcтвенного интеллекта Итоги подведем 15 августа в 19:00 при помощи бота, который рандомно выберет победителя. Всем удачи ❤️

🎁 Дарим набор топовых книг для разработчиков — чтобы учиться, расти и прокачивать скиллы. Условия участия максимально простые: 🔸 подписаться на MachineLearning 🔸 подписаться на Диджитализируй Победители случайным образом получат одну из этих великолепных книг: — Паттерны разработки на Python — Оптимизация запросов в PostgreSQL — 40 алгоритмов, которые должен знать каждый программист на Python — Машинное обучение. Подготовка к сложному интервью — Скрипты и алгоритмы успеха | Гандапас Радислав Иванович — Путь инженера-программиста: развитие навыков для успешной карьеры — Математика для Data Science — Как быть успешным в Data Science. — Грокаем алгоритмы искусcтвенного интеллекта Итоги подведем 15 августа в 19:00 при помощи бота, который рандомно выберет победителя. Всем удачи ❤️

🎨 Встречайте Neta Lumina — самую продвинутую open-source модель для генерации аниме-артов! Это уже 4-я модель в линейке, и она впечатляет: 🔹 Точная настройка под 200+ аниме-стилей: от Guofeng и Furry до пейзажей и редких тем 🔹 Хорошая согласованность промптов, даже при длинных описаниях на естественном языке 🔹 Мультиязычная поддержка 🔥 Идеальный выбор для художников, аниматоров и фанатов генеративного арта. 🔹 Model on Hugging Face (Commercial use allowed):https://huggingface.co/neta-art/Neta-Lumina 🔹 Playground (Free to test):https://huggingface.co/spaces/neta-art/NetaLumina_T2I_Playground ⚙️ Supports ComfyUI, LoRA tutorial → https://docs.google.com/document/d/1fSp8wgraQeeaM58DVbnFoRULyyhPvt3MgY0Qja0Otc0/edit?tab=t.0 @data_analysis_ml

📝 DocuSeal — open‑source альтернатива DocuSign, которую можно развернуть у себя ⚡️ Что умеет: — WYSIWYG‑редактор PDF: подписи, даты, текстовые поля, вложения — Мультиподписанты, мобильная адаптация — Авторассылка писем, webhooks, API — Можно хостить у себя через Docker, без сторонних сервисов 🚀 Работает сразу после запуска:

docker run --name docuseal -p 3000:3000 -v .:/data docuseal/docuseal

👨‍💻 В комплекте: — UI‑компоненты под React, Vue, Angular — SDK под JS, Python, PHP, Ruby — Интеграции через iframe или embedding 🌐 GitHub (9.5k⭐): https://github.com/docusealco/docuseal

📦 Pydantic Extra Types — коллекция дополнительных типов данных для Pydantic, которые не вошли в основную библиотеку. Проект расширяет возможности валидации данных, предлагая специфические форматы и проверки. Типы подключаются как опциональные зависимости, позволяя выбирать только нужные компоненты. Например, можно добавить поддержку pendulum для работы с временными зонами. 🤖 GitHub @python_job_interview

😱 Как вернуть удалённый скрипт Рассмотрим ситуацию, когда случайно/специально удалился исполняющийся bash-скрипт. Чтобы не попадать в такие ситуации, всегда храните исходники в git — это избыточно, но бекапы никто не отменял. Скрипт удалён с диска, но продолжает работать в фоне, значит его можно как-нибудь восстановить. Создадим подопытный скрипт. touch /tmp/script.sh:

#!/bin/bash
sleep 1000
exit

Делаем его исполняемым chmod +x /tmp/script.sh и запускаем в фоне /tmp/script.sh &. Символ & может служить разделителем между командами command & command, две команды выполнятся параллельно. Скрипт запустили, он крутится в фоне. Удалим сам файл: rm -f /tmp/script.sh Ключ -f позволит удалить без лишних вопросов. Восстанавливаем:

lsof -c 'script.sh'

На экран выведется простыня. Нам нужна строка, где в конце указан путь к удаленному скрипту:

COMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAME
script.sh 261899 root 255r REG 8,1 51 130773 /tmp/script.sh

Берем PID = 261899, берем FD = 255 и делаем так:

cat /proc/261899/fd/255

А вот и исходник скрипта:

File: /proc/261899/fd/255
#!/bin/bash
sleep 1000
exit

Вот полезная инфа, которая была использована в гайде: man 5 proc # /proc/[pid]/fd/ man lsof

🐧 Продвинутый совет для Linux: как узнать, какой процесс держит файл, даже если он уже удалён Иногда файл удаляется (`rm`), но система продолжает занимать под него место. Почему? Потому что процесс всё ещё держит этот файл открытым, и диск не освобождается, пока он не завершится. 🔥 Найти такие случаи можно так:

lsof | grep deleted

📌 lsof покажет все файлы, которые открыты процессами. Если строка содержит (deleted) — это значит, что файл был удалён, но всё ещё используется. Пример вывода:

python3  12345 user  txt  REG  8,1  20480 123456 /tmp/log.txt (deleted)

→ Процесс с PID 12345 держит удалённый файл /tmp/log.txt. ✅ Что можно сделать: - Освободить диск — завершить процесс (`kill 12345`) - Или: очистить через /proc без остановки:

: > /proc/12345/fd/3

(только если вы точно знаете, какой дескриптор используется) ⚠️ Часто встречается при работе с логами, Docker-контейнерами и временными файлами. 📌 Используйте lsof | grep deleted как диагностику, если "всё удалили, но место не освободилось".

🐍 Совет дня для продвинутых Python-разработчиков Хочешь писать чище и безопаснее, когда работаешь с вложенными dict? Забудь про dict.get(...).get(...) и используй collections.ChainMap или types.SimpleNamespace — но ещё лучше: pydantic или dotmap. А вот компактный трюк на каждый день — безопасное извлечение с functools.reduce:

from functools import reduce

def deep_get(dictionary, keys, default=None):
    return reduce(lambda d, key: d.get(key, default) if isinstance(d, dict) else default, keys, dictionary)

data = {"user": {"profile": {"email": "test@example.com"}}}

email = deep_get(data, ["user", "profile", "email"])

📌 Почему это полезно: - Нет KeyError - Код читаемый - Масштабируемо для любых уровней вложенности 🔥 Применяй в проектах, где много данных с API или JSON — избавит от лишних try/except и защитит от неожиданных крашей. Python — это не только про лаконичность, но и про стабильность

🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥 Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно! 📌 Темы занятий: 1. Введение в мир нейро-сотрудников 2. Как работают LLM и их аналоги 3. Создание базы знаний для нейро-сотрудника (RAG) 4. Тестирование и отладка нейро-сотрудников 5. Интеграция нейро-сотрудников в Production Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов 🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!