Python Community

🖥 PYTHON МАТЕМАТИКА КАК У ПРОФИ Ппрофессиональный подход к математике в Python строится не вокруг «посчитать формулу», а вокруг правильного стека инструментов и воспроизводимости. Всегда разделяй символьную математику, численные методы и работу с данными. Для аналитики и вывода формул используй SymPy, для быстрых численных расчётов - NumPy, для научных алгоритмов - SciPy, для больших таблиц экспериментов - Pandas. Никогда не смешивай «магические числа» в коде - все параметры выноси в переменные. Работай в Jupyter или VS Code с ноутбуками, фиксируй версии библиотек и обязательно проверяй устойчивость решений через разные методы (например, интеграл численно и аналитически). Так код становится не просто расчётом, а научным инструментом. import numpy as np import sympy as sp from scipy import integrate # 1. Символьная математика x = sp.symbols('x') expr = sp.sin(x) / x analytic_integral = sp.integrate(expr, (x, 1, 10)) # 2. Численная математика f = lambda x: np.sin(x) / x numeric_integral, error = integrate.quad(f, 1, 10) # 3. Векторизация вместо циклов arr = np.linspace(1, 10, 1_000_000) fast_result = np.sin(arr) / arr print("Analytic:", analytic_integral) print("Numeric:", numeric_integral, "Error:", error) @Python_Community_ru

‍🚀 RenderCV: Open-Source AI для создания CV/резюме на лету RenderCV - это GitHub-проект, который автоматизирует генерацию профессионального резюме с помощью AI. Он берет базовые данные (например, профиль, опыт, навыки) и формирует красиво отформатированный CV с умным распределением разделов, прицелом на ATS-системы (системы автоматического трекинга резюме) и внимание к деталям. 🔍 Основные фишки - 💡 AI-генерация контента - на основе вводимых данных автоматически создаются описания опыта, навыков и достижений - 📄 Готовые шаблоны — вывод резюме в структурированном виде, готовом для печати или публикации - ⚙️ Настраиваемость — легко адаптировать под свой стиль, менять поля и формат - 🤖 Поддержка AI-логики для переработки сухих фактов в интересные, читабельные формулировки Простой рабочий цикл: 1) Вводишь базовые данные (имя, опыт, навыки) 2) AI дописывает грамотные описания 3) Получаешь готовое резюме без лишних усилий 💡 Это особенно полезно начинающим специалистам, карьерным переходам или тем, кто не любит вручную вырезать и править резюме перед каждой подачей. 🛠 Пример использования (в духе проектов этого класса): # Клонируем репозиторий git clone https://github.com/rendercv/rendercv.git # Переходим в папку cd rendercv # Устанавливаем зависимости и запускаем # (инструкции могут отличаться в зависимости от реализации) npm install npm start https://github.com/rendercv/rendercv @Python_Community_ru

🖥 Python ищет дубликаты файлов Когда папка разрастается, дубликаты начинают тихо съедать место - особенно если ты сохраняешь одно и то же под разными именами. Быстрый способ на Python - посчитать хеш каждого файла и собрать группы с одинаковым хешем. Так ты сразу увидишь, какие файлы реально одинаковые по содержимому, а не только по названию. import os, hashlib m = {} for n in os.listdir("."): if os.path.isfile(n): with open(n, "rb") as f: h = hashlib.md5(f.read()).hexdigest() m.setdefault(h, []).append(n) for v in m.values(): if len(v) > 1: print("DUP:", v) @Python_Community_ru

‍🔍 PaddleOCR-VL-1.5 внезапно ворвался в топ open-source OCR - и при этом модель всего на 0.9B параметров. Фактически это сейчас один из самых сильных открытых инструментов для распознавания текста и понимания документов - при очень скромном размере по меркам современных AI-моделей. Ирония в тайминге: • Сначала вышел Kimi 2.5 (https://t.me/ai_machinelearning_big_data/9439) • Потом DeepSeekOCR-2 (https://t.me/ai_machinelearning_big_data/9435) • И буквально следом - PaddleOCR-VL-1.5 Неделя просто взрывная для направления AI, которое занимается документами: сканы, PDF, таблицы, формы, смешанный текст и структура. Что особенно интересно - это не просто классический OCR "картинка → текст", а визуально-языковая модель. То есть она лучше понимает структуру документа: блоки, таблицы, взаимосвязи между элементами, а не только символы. Для разработчиков это означает более точный парсинг документов, автоматизацию работы с формами, счетами, договорами, отчетами и любыми полу-структурированными файлами - и все это на базе полностью открытой модели. Порог входа в продвинутую document AI снова стал ниже. huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5 @Python_Community_ru

Теперь даже HRы на питоне пишут! @Python_Community_ru

✔ NVIDIA показала новый разговорный ИИ - PersonaPlex Суть фичи в том, что модель старается звучать максимально “живым” собеседником, а не просто отвечать по очереди. Что умеет PersonaPlex: · Переключать стиль общения (persona) - например строгий учитель, дружелюбный консультант, бармен и т.д. · Говорить и слушать одновременно - меньше задержек и пауз в диалоге · Поддакивать на фоне (“угу”, “ок”, “понятно”), пока человек говорит - чтобы разговор был ближе к реальному · Проект открыт - исходники доступны, можно брать и пробовать самому ▪GitHub (http://github.com/NVIDIA/personaplex) ▪Hugging Face (http://huggingface.co/nvidia/personaplex-7b-v1) @Python_Community_ru

🎨 Генерация изображений с GLM-Image GLM-Image — это мощная модель генерации изображений, использующая гибридную архитектуру автогрессивного и диффузионного декодера. Она превосходно справляется с задачами текстового рендеринга и генерации сложной информации, обеспечивая высокое качество изображений и детальную проработку. 🚀 Основные моменты: - Поддержка генерации изображений из текста и редактирования изображений. - Высокая точность рендеринга текста и семантического понимания. - Модуль обратной связи для улучшения эстетики и детализации. - Подходит для задач с высокой информационной плотностью. 📌 GitHub: https://github.com/zai-org/GLM-Image @Python_Community_ru

🧠 Продвинутые советы по работе с Regex в Python Всегда компилируй регулярные выражения. Это ускоряет работу при многократном использовании, делает код чище и упрощает тестирование. import re RE_EMAIL = re.compile(r"\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b", re.I) emails = RE_EMAIL.findall(text) Используй raw-строки и re.VERBOSE, чтобы regex был читаемым, а не выглядел как случайный набор символов. RE_DATE = re.compile(r""" \b (?P\d{4})-(?P0[1-9]|1[0-2])-(?P0[1-9]|[12]\d|3[01]) \b """, re.VERBOSE) Если группа не нужна в выводе - делай её non-capturing (?:...). Это уменьшает расходы памяти и путаницу с индексами групп. re.findall(r"(?:https?://)?(?:www\.)?example\.com/\S+", text) Используй правильные якоря. \A и \Z безопаснее для валидации, чем ^ и $, которые зависят от флага MULTILINE. re.match(r"\A\d+\Z", "123\n") Контролируй код и ставь ограничения. Бесконтрольный .* — частая причина зависаний и ReDoS. re.search(r"]{0,2000}>", html) Lookahead и lookbehind позволяют искать текст без захвата. Это мощный инструмент для точных выборок. m = re.search(r"(? @Python_Community_ru

‍🎙️ NVIDIA выпустила PersonaPlex-7B - open-source голосовая диалоговая модель, которая умеет то, что обычно недоступно классическим пайплайнам: **слушать и говорить одновременно**. Модель: - 🔓 бесплатная и полностью открытая (MIT) - 🤗 веса доступны на Hugging Face - 🧠 full-duplex conversational model (двусторонний “живой” диалог) Обычно Voice AI устроен так: ASR → LLM → TTS Сначала распознаём речь, потом думаем, потом озвучиваем. Работает эффективно, но диалог получается “роботным”: говоришь по очереди, без перебиваний, без живой реакции. PersonaPlex-7B меняет подход. Она работает на непрерывных аудио-токенах и использует dual-stream transformer, который генерирует текст и аудио параллельно, а не переключает управление между модулями. Это даёт: - мгновенные “угу / да / понял” реакции (back-channel) - естественные перебивания и уточнения - нормальный ритм разговора, как у человека Ещё один плюс: управление “персоной” работает zero-shot, без дополнительного дообучения. Если ты делаешь голосового ассистента или саппорт-агента с низкой задержкой - это очень сильный шаг вперёд. https://github.com/NVIDIA/personaplex @Python_Community_ru

🐍 Самая крутая фича Python 3.14 - `sys.remote_exec()` (объясняю по-человечески) Идея простая: ✅ у тебя уже запущено Python-приложение (например FastAPI в Docker/K8s) ✅ оно уже дошло до нужного состояния (в памяти есть переменные, сессии, кеши) ❌ но тебе нужно посмотреть “что внутри” или поставить дебаггер Раньше ты делал так: - добавлял debugpy в код - перезапускал приложение - заново воспроизводил баг Python 3.14 даёт новый чит-код: sys.remote_exec() позволяет выполнить кусок Python-кода ВНУТРИ уже работающего Python-процесса. То есть буквально “вколоть” скрипт в живой процесс. Это как: 🔹 зайти внутрь процесса 🔹 выполнить print(), импорт, запись переменных 🔹 или даже подключить дебаггер без рестарта вообще. Пример: что можно сделать через sys.remote_exec() Допустим у нас есть работающий процесс Python. 1) Мы хотим “добавить” туда код: - вывести PID - посмотреть глобальные переменные - записать лог - даже поменять значение переменной # Этот код выполняется СНАРУЖИ и запускает инжект внутрь процесса import sys target_pid = 12345 # PID запущенного Python процесса payload = r""" import os import time print("✅ Injected into running process!") print("PID:", os.getpid()) print("Time:", time.time()) # Пример: читаем что есть в глобальном пространстве g = globals() print("Globals keys sample:", list(g.keys())[:10]) # Пример: создаём переменную прямо в процессе INJECTED_FLAG = True """ # Новое API Python 3.14 sys.remote_exec(target_pid, payload) Пример 2: инжектим debugpy (дебаг без рестарта) Самая хайповая штука - можно подключить debugpy в уже живое приложение. То есть приложение уже крутится, у него есть состояние, и ты просто включаешь “прослушку” дебаггера на порту. import sys target_pid = 12345 # PID работающего uvicorn / fastapi процесса payload = r""" import debugpy HOST = "0.0.0.0" PORT = 5679 debugpy.listen((HOST, PORT)) print(f"🐞 debugpy is listening on {HOST}:{PORT}") # если хочешь остановить выполнение и ждать пока подключишь IDE: # debugpy.wait_for_client() # print("✅ debugger attached!") """ sys.remote_exec(target_pid, payload) Дальше: - ты делаешь port-forward (если Docker/K8s) - подключаешь VS Code / PyCharm / nvim к localhost:5679 - ставишь breakpoints и дебажишь как обычно Что важно 1) Это не “удалённое выполнение” как ssh. Это прям “внутри процесса” - доступ к памяти, переменным, импортам. 2) Это опасно для продакшена. Требует прав уровня SYS_PTRACE (можно читать/менять процессы) - поэтому только для локалки/стендов. 3) Это может стать стандартом для отладки контейнеров: - баг воспроизводится только в k8s - рестарт = баг пропал - а тут просто подключился и посмотрел 📌 Статья на эту тему (https://savannah.dev/posts/the-coolest-feature-in-314/) @Python_Community_ru

🤖 Автоматизация исследований с NotebookLM Notebooklm-py — это неофициальная библиотека для работы с Google NotebookLM, позволяющая автоматизировать исследовательские процессы, генерировать контент и интегрировать AI-агентов. Подходит для прототипов и личных проектов, используя Python или командную строку. 🚀Основные моменты: - Интеграция с AI-агентами и Claude Code - Автоматизация исследований с импортом источников - Генерация подкастов, видео и учебных материалов - Поддержка работы через Python API и CLI - Использование с неофициальными Google API 📌 GitHub: https://github.com/teng-lin/notebooklm-py @Python_Community_ru

🖥 Ты бы поставил в прод пакет, который вышел 2 часа назад? Обновлять зависимости важно - так ты получаешь новые фичи и фиксы багов. Но у свежих релизов есть минус: часто в первые дни всплывают ошибки, несовместимости и неожиданные регрессы, пока комьюнити не успеет всё отловить. ✅ В uv для этого есть опция exclude-newer Она позволяет задать “период охлаждения” - и пропускать пакеты, которые были выпущены слишком недавно. Как использовать: добавь в pyproject.toml: exclude-newer = "7 days" И при желании поменяй срок под себя (например, 3 дня, 14 дней и т.д.). Идея простая: обновляйся регулярно, но не на самых горячих релизах. https://www.youtube.com/shorts/98q0IkNrBbU @Python_Community_ru

🎨 Генерация изображений с GLM-Image GLM-Image - это мощная модель генерации изображений, использующая гибридную архитектуру с автогрессивным и диффузионным декодерами. Она превосходно справляется с задачами текстового рендеринга и генерацией изображений с высоким уровнем детализации, поддерживая как текст-в-изображение, так и изображение-в-изображение. 🚀 Основные моменты: - Гибридная архитектура для высококачественной генерации изображений. - Поддержка текст-в-изображение и множество задач изображение-в-изображение. - Модуль обратной связи для улучшения семантического понимания и детализации. - Высокая точность рендеринга текста в изображениях. - Доступность через Hugging Face и ModelScope. 📌 GitHub: https://github.com/zai-org/GLM-Image @Python_Community_ru

‍📌 Библиотека алгоритмов робототехники на Python. PythonRobotics - открытая коллекция кода (https://github.com/AtsushiSakai/PythonRobotics) на Python и учебник (https://atsushisakai.github.io/PythonRobotics/) по алгоритмам робототехники, которую собрал Ацуши Сакаи (https://atsushisakai.github.io/). 🟡В проекте есть все: 🟢Локализация (EKF, фильтры частиц, гистограммные фильтры); 🟢SLAM (FastSLAM, ICP-сопоставление); 🟢Планирование пути (A, RRT, Дейкстра, D*, потенциальные поля, решетка состояний); 🟢Отслеживание траекторий (контроллер Стэнли, LQR, MPC); 🟢Навигация для манипуляторов; 🟢БПЛА; 🟢Проектирование движения для двуногих роботов. К каждой теме есть визуальные анимации, математические объяснения и рабочий код. Библиотека не перегружена, ее легко читать и понимать, она содержит практические алгоритмы. которые реально используются в индустрии. Это отличный образовательный ресурс с 2 212 коммитами, вкладом 138 разработчиков и активной поддержкой. Если вы изучаете робототехнику, создаете автономные системы или преподаете алгоритмы — этот ресурс для вас. У проекта лицензия MIT, так что можно свободно использовать его в личных или коммерческих проектах. А еще, это отличный пример, как выглядит хороший опен-сорс: образовательный, практичный, хорошо документированный и развиваемый сообществом. @ai_machinelearning_big_data #AI #ML #Robotics #Github @Python_Community_ru

🕐 FastScheduler: “Celery для запуска скриптов по расписанию, но без боли” Иногда нужно просто: - запустить функцию каждые 5 минут - или каждый день в 09:00 - или по cron …и всё. Но Celery для этого — реально оверкилл: брокер, воркеры, Redis/RabbitMQ, отдельная инфраструктура. FastScheduler решает ровно эту задачу: ✅ *in-process* планировщик задач (никаких Redis / брокеров) ✅ decorator-first API — красиво и быстро ✅ async поддержка из коробки ✅ персистентность (состояние сохраняется, переживает рестарты) ✅ опционально — FastAPI dashboard для просмотра задач Пример того, как выглядит API: @scheduler.every(5).minutes def sync_users(): ... @scheduler.daily.at("09:00") async def morning_report(): Философия простая: если тебе не нужна распределённость - не бери Celery, попробуй FastScheduler. Установка: pip install fastscheduler[all] 📌 GitHub: https://github.com/MichielMe/fastscheduler @Python_Community_ru

Сел я значит вечером подправить пет-проект и вот как-то закрутилось @Python_Community_ru

🧠 Awesome Agentic Patterns - шпаргалка по агентам, которая реально полезна Наткнулся на репозиторий awesome-agentic-patterns - и это один из самых практичных “awesome-листов” по теме AI-агентов. 📌 Что внутри: не теоретические рассуждения, а паттерны - мини-архитектуры и рабочие приёмы, которые используют команды, когда делают production-агентов. Автор прямо пишет идею проекта: > тут не про “игрушки и демки”, а про штуки, которые закрывают грязную реальность продакшена. Почти любой агент в проде упирается в одни и те же проблемы: - контекст не помещается → нужно умно управлять памятью - модель косячит → нужны retry/валидация/guardrails - цепочки действий ломаются → нужна оркестрация - непонятно, что пошло не так → нужны логи + eval - безопасность / PII → нужен sandbox и фильтрация И вот под это как раз собраны паттерны. https://github.com/nibzard/awesome-agentic-patterns @Python_Community_ru

🌍 Google выпустили TranslateGemma - открытые модели перевода на базе Gemma 3 Google представили TranslateGemma - набор open-source переводчиков, построенных на Gemma 3. Что важно: - это не “чат-LLM, который может переводить”, а отдельная линейка моделей именно под перевод - доступны размеры 4B / 12B / 27B - поддержка 55 языков - фокус на практичности: можно запускать на разном железе и встраивать в приложения Идея простая: сделать качественный машинный перевод доступным и открытым, чтобы разработчики могли использовать модели локально, в продуктах и сервисах без привязки к закрытым API. Ещё один шаг к тому, что перевод становится “базовой функцией” прямо внутри открытых моделей. Анонс: https://blog.google/innovation-and-ai/technology/developers-tools/translategemma/ HF: https://huggingface.co/collections/google/translategemma @Python_Community_ru

🐸 Microsoft зарелизили FrogMini - модель для дебага и исправления багов. Что важно: - Базируется на Qwen3-14B - Показала SOTA на SWE-Bench Verified: Pass@1 = 45.0% 🔥 Как обучали: - Использовали SFT (supervised fine-tuning) - Данные - успешные debugging trajectories (пошаговые цепочки исправлений) - Эти траектории сгенерированы сильной teacher-моделью (например, **Claude**) - Источники багов - микс реальных и синтетических датасетов Идея простая, но мощная: учим модель не просто писать код, а думать как дебаггер - шаг за шагом. 📌 Теперь Qwen3-14B + правильные траектории = реальный tool для SWE задач. https://huggingface.co/microsoft/FrogMini-14B-2510 @Python_Community_ru