Python вопросы с собеседований

Liquid AI выкатили LFM2.5-VL-450M - vision-language модель, заточенную под работу на edge-устройствах в реальном времени. Картинка 512×512 обрабатывается за ~240мс прямо на девайсе. Этого хватает, чтобы рассуждать над каждым кадром видеопотока в 4 FPS - причем с пониманием контекста, а не просто детекцией объектов. Ключевая идея: один инференс-пасс заменяет классическую связку детектор → классификатор → эвристики. Те самые multi-stage пайплайны, которые в продакшене до сих пор ломаются, тормозят и больно поддерживаются. Что нового в релизе: bounding box prediction (81.28 на RefCOCO-M), мультиязычное визуальное понимание на 8 языках (MMMB подняли с 54.29 до 68.09), поддержка function calling (BFCLv4). Работает на Jetson Orin, Samsung S25 Ultra, AMD 395+ Max. Веса открыты, облако не нужно. Веса на HuggingFace, блог и playground - в треде Liquid AI. huggingface.co/spaces/LiquidAI/LFM2-VL-WebGPU

🔥 Собери свой OpenClaw за вечер Репозиторий, в котором разобрано устройство OpenClaw по слоям. Это формат, которого не хватает большинству гайдов, пошаговая сборка системы, где каждый этап добавляет новый уровень сложности Сначала обычный чат. Потом подключаются инструменты. Затем навыки, работа с вебом, память, маршрутизация задач и мультиагентная логика. В какой-то момент начинаешь ловить себя на мысли, что уже думаешь как оркестратор, а не как пользователь модели В гайде хорошо видно, где заканчивается модель и начинается обвязка. Как строится цикл принятия решений, как агент выбирает инструменты и как вообще появляется ощущение «интеллекта» Дает неплохое понимание архитектуры клешни. https://github.com/czl9707/build-your-own-openclaw @ai_machinelearning_big_data #opensource #openclaw

🚀 Google DeepMind представила Gemma 4 Новое семейство открытых моделей, которые можно запускать на собственном железе. Четыре размера: 31B Dense & 26B MoE - топовые результаты для сложных локальных задач: кастомные ассистенты, анализ научных данных E4B & E2B (Edge) — для мобильных устройств, поддержка текста, зрения и аудио в реальном времени Ключевые особенности: Заточены под продвинутый reasoning и агентные задачи (автономные агенты, планирование, многошаговые workflows) По Arena Elo Score: Gemma 4 31B (1452) и 26B (1441) обгоняют Qwen 3.5 (1450), Kimi k2.5 (1454) и DeepSeek v3.2 (1425) Где попробовать: Google AI Studio, Hugging Face, Kaggle, Ollama Почему это важно: Apache 2.0 + open weights = можно файн-тюнить и деплоить без ограничений и зависимости от API. Именно это отделяет настоящий open-source релиз от «контролируемого» research drop'а. https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/ Лицензия Apache 2.0 - полностью коммерчески свободная. #Gemma

🚀 Tencent выкатывает Covo-Audio (7B) - новый уровень голосовых AI. Это уже не просто “распознал → ответил → озвучил”. Модель умеет говорить и слушать одновременно. Что внутри: • Qwen2.5-7B + Whisper • 8 млн часов аудио обучения • full-duplex — диалог без пауз Главное отличие: Нет отдельных пайплайнов ASR и TTS. → всё работает как единая модель Что это даёт: • можно перебивать (barge-in) • естественный разговор, как с человеком • меньше задержек • меньше костылей в архитектуре Отдельно: Разделение интеллекта и голоса → проще делать voice cloning → гибкость под разные сценарии Тренд очевиден: AI переходит от “голосовых интерфейсов” → к полноценному живому диалогу Скоро кнопка “нажми и говори” исчезнет совсем. Модель: https://huggingface.co/tencent/Covo-Audio-Chat

🚀 Умные агенты с OpenSpace: эволюция и экономия 💰 OpenSpace — это движок, который позволяет AI-агентам учиться и развиваться, превращая каждую задачу в возможность для улучшения. Он объединяет навыки, которые автоматически адаптируются и улучшаются, обеспечивая совместное использование знаний между агентами. 🚀 Основные моменты: - Саморазвивающиеся навыки, которые учатся на реальном опыте - Совместный интеллект: улучшения одного агента доступны всем - Снижение затрат на 46% благодаря более эффективному использованию токенов - Легкость в обмене навыками между агентами - Реальные результаты: агенты зарабатывают в 4.2 раза больше 📌 GitHub: https://github.com/HKUDS/OpenSpace #python

🔥 TorchCode: Практика для собеседований по PyTorch TorchCode предлагает структурированную среду для тренировки навыков программирования, необходимых для собеседований в области машинного обучения. Решайте задачи по реализации операторов и архитектур, получая мгновенную обратную связь и подсказки. 🚀Основные моменты: - 40 задач, часто встречающихся на собеседованиях - Автоматическая проверка корректности и производительности - Мгновенная обратная связь по каждому тесту - Подсказки и эталонные решения для изучения - Возможность запуска в браузере без установки 📌 GitHub: https://github.com/duoan/TorchCode #python

🤖 nanobot: Легкий персональный AI-ассистент nanobot — это ультра-легкий AI-ассистент с минимальным кодом (~4000 строк), который обеспечивает основные функции, вдохновленные Clawdbot. Он прост в использовании и идеально подходит для исследований благодаря чистому и понятному коду. 🚀Основные моменты: - Ультра-легкий: всего ~4000 строк кода - Быстрый старт и низкое потребление ресурсов - Поддержка Telegram и WhatsApp для общения - Легкость в модификации и расширении 📌 GitHub: https://github.com/HKUDS/nanobot #python

🔍 Сканер навыков AI от Cisco Skill Scanner -это инструмент для анализа безопасности навыков AI-агентов, который выявляет инъекции команд, утечку данных и вредоносные коды. Он использует комбинированный подход с паттерн-детекцией, анализом данных и оценкой на основе LLM для надежного обнаружения угроз. 🚀 Основные моменты: - Многоуровневая детекция: статический анализ, поведенческий анализ и LLM - Фильтрация ложных срабатываний для повышения точности - Поддержка CI/CD с выводом SARIF для GitHub - Расширяемая архитектура для пользовательских анализаторов 📌 GitHub: https://github.com/cisco-ai-defense/skill-scanner #python

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Аналитика: t.me/data_analysis_ml 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/vistehno 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Max ИИ: https://max.ru/ai_machinelearning_big_data Max Ml: https://max.ru/vistehno Max python: https://max.ru/pythonl Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Max Java: https://max.ru/javatg Max Sql: https://max.ru/sqlhub Max Devops: https://max.ru/DevOPSitsec Анализ данных: https://max.ru/data_analysis_ml C++ : https://max.ru/cpluspluc C#: https://max.ru/csharp_ci 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy

А вы любите животных ?

✔️ OpenAI хантит таланты через конкурс Parameter Golf. Компания открыла публичное соревнование для исследователей с крайне жесткими техническими ограничениями. Участникам предстоит создать максимально эффективную языковую модель, при этом размер весов вместе с кодом для обучения не должен превышать 16 МБ. На сам процесс тренировки отводится строго до 10 минут на кластере из восьми видеокарт H100. Эффективность алгоритмов будет оцениваться на сете FineWeb. Цель челленджа - поиск нестандартно мыслящих инженеров. Авторы лучших проектов получат приглашения на собеседование. Дополнительным стимулом станет призовой фонд в 1 млн. долларов, который распределят в виде грантов на аренду копьюта у провайдера Runpod. На GitHub уже опубликованы базовые решения (https://github.com/openai/parameter-golf), проверочные скрипты и публичный лидерборд. Принять участие в конкурсе можно до 30 апреля. https://openai.com/index/parameter-golf/ #news #ai #ml #openai #chatgpt

🐍 Вышли новые security-релизы Python: - Python 3.12.13 - Python 3.11.15 - Python 3.10.20 Это обновления безопасности для поддерживаемых веток Python. Важно: эти версии уже находятся в стадии security-fix only, поэтому релизы выходят нерегулярно и содержат в основном исправления уязвимостей и критических багов. Что исправили: 1. Усилена безопасность HTML-парсера html.parser.HTMLParser стал устойчивее к вредоносной разметке и теперь корректно обрабатывает дополнительные RAWTEXT/PLAINTEXT элементы, включая: - plaintext - xmp - iframe - noembed - noframes - noscript (опционально) 2. Исправление проблемы памяти в SSL Устранён use-after-free в модуле ssl, который мог возникать при ошибке SSL_new(). 3. Исправления безопасности для списков Закрыты несколько уязвимостей, включая: - use-after-free при сравнении списков - выход за границы памяти при slice-операциях в списках Эти исправления особенно важны для систем, работающих с параллельными или специально сформированными входными данными. Если вы используете Python 3.10 / 3.11 / 3.12, рекомендуется обновиться. Подробнее: https://blog.python.org/2026/03/python-31213-31115-31020/

🚀 Как клонировать любой голос с Qwen3 Если нужен свой голос для бота, ассистента или озвучки — можно использовать Qwen3-TTS. Модель генерирует речь и умеет подстраиваться под голос по короткому аудио-примеру. Подходит для: - voice-ботов - персональных ассистентов - озвучки видео - генерации речи в одном стиле Как использовать: 1. Подготовь чистый аудио-пример (5–15 секунд) 2. Передай его как reference 3. Генерируй речь из текста в нужном голосе

Установка
pip install transformers soundfile accelerate

Пример использования Qwen3-TTS CustomVoice
import torch
import soundfile as sf
from transformers import AutoProcessor, AutoModel

model_id = "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id, torch_dtype=torch.float16).cuda()

text = "Привет! Это тест кастомного голоса."
reference_audio = "voice_sample.wav"  # 5–15 секунд вашего голоса

inputs = processor(
    text=text,
    reference_audio=reference_audio,
    return_tensors="pt"
).to("cuda")

with torch.no_grad():
    audio = model.generate(**inputs)

sf.write("output.wav", audio.cpu().numpy(), samplerate=24000)

print("Voice generated: output.wav")

Модель:
https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

🐍 Python-библиотеки - сложность изучения 🔥 • 🌐 Requests - 🟢 Легко • 📊 Pandas - 🟢 Легко • 🔢 NumPy - 🟢 Легко • 📈 Matplotlib - 🟢 Легко • 🕸️ BeautifulSoup - 🟢 Легко • ⚡ FastAPI - 🟡 Легко–Средне • 🧩 Pydantic - 🟡 Легко–Средне • 📦 Pytest - 🟡 Легко–Средне • 🗄️ SQLAlchemy - 🟠 Средне • 🤖 Scikit-Learn - 🟠 Средне • 🔥 PyTorch - 🟠 Средне • 🧠 TensorFlow - 🟠 Средне • 📉 Statsmodels - 🟠 Средне • 🧬 Dask - 🔴 Сложно • ⚡ Ray - 🔴 Сложно • 🔗 LangChain - 🟠 Средне • 🧠 LangGraph - 🟣 Очень сложно Самые лёгкие, вроде Requests или BeautifulSoup, решают одну конкретную задачу. У них простой API — сделал запрос, получил данные, готово. Чуть сложнее библиотеки вроде FastAPI или Pydantic. Они требуют понимания архитектуры приложений, валидации данных и работы серверов. Средний уровень - SQLAlchemy, PyTorch, TensorFlow. Здесь уже нужно понимать базы данных, машинное обучение и математические модели. А вот Dask и Ray считаются сложными не потому, что код длинный. А потому что они работают с распределёнными вычислениями - кластеры, параллельность, управление ресурсами. То есть чем выше уровень библиотеки, тем больше системного мышления и архитектуры нужно понимать. Поэтому сложность Python-библиотек — это не про Python. Это про уровень задач, которые они решают. #Python #PythonDev #MachineLearning https://www.youtube.com/shorts/vDm-vYmoxx0

⚡️ Python-код, который работает, но делает лишнее в 100 раз Этот Python-код выглядит нормально. Он работает. Он проходит тесты. Но делает лишнюю работу в десятки, а иногда и в сотни раз. Самая частая причина — ты случайно превращаешь линейный алгоритм в квадратичный. Типичный сценарий: - есть список - внутри цикла ты каждый раз делаешь in, count, index - на маленьких данных всё быстро - на реальных — приложение начинает «тормозить без причины» Проблема в том, что: - list — это O(n) для поиска - поиск внутри цикла = O(n²) - Python честно делает работу, которую ты ему попросил Профи думают не «работает или нет», а сколько лишних операций выполняется. Правильный подход: - если нужны проверки принадлежности — используй set - если считаешь элементы — используй dict или Counter - если данные не меняются — предвычисляй один раз Этот приём один из самых частых источников скрытых performance-багов в Python-коде.

# ❌ Плохо: O(n²)
users = ["alice", "bob", "carol", "dave"]

for u in users:
    if u in users:   # каждый раз полный проход списка
        process(u)


# ✅ Хорошо: O(n)
users = ["alice", "bob", "carol", "dave"]
users_set = set(users)

for u in users:
    if u in users_set:
        process(u)

🚀Автопостинг из Telegram в VK на Python Если ты ведёшь Telegram-канал и вручную дублируешь посты в VK - ты просто тратишь время. Это легко автоматизируется на Python. Telegram становится источником контента, VK — приёмником, а скрипт делает всю грязную работу за тебя. Как это работает по шагам: - бот читает новые сообщения из Telegram - забирает текст поста - отправляет его в VK через API - при желании можно добавить фильтрацию, форматирование или логирование Что нужно подготовить заранее: - токен VK с правами wall - ID сообщества VK - токен Telegram-бота - ID Telegram-канала или чата Такой подход отлично подходит для: - советов и обучающих постов - новостей и апдейтов - кросс-постинга контента - роста охвата без ручной рутины

import requests

TELEGRAM_BOT_TOKEN = "TELEGRAM_BOT_TOKEN"
TELEGRAM_CHAT_ID = "@your_channel"
VK_TOKEN = "VK_ACCESS_TOKEN"
VK_GROUP_ID = "123456789"  # без минуса

def post_to_vk(text: str):
    url = "https://api.vk.com/method/wall.post"
    payload = {
        "owner_id": f"-{VK_GROUP_ID}",
        "from_group": 1,
        "message": text,
        "access_token": VK_TOKEN,
        "v": "5.199",
    }
    requests.post(url, data=payload)

def handle_telegram_update(update):
    message = update.get("message")
    if not message:
        return

    text = message.get("text")
    if text:
        post_to_vk(text)

def poll_telegram():
    offset = None
    while True:
        resp = requests.get(
            f"https://api.telegram.org/bot{TELEGRAM_BOT_TOKEN}/getUpdates",
            params={"offset": offset, "timeout": 30},
        ).json()

        for update in resp["result"]:
            offset = update["update_id"] + 1
            handle_telegram_update(update)

poll_telegram()