Python/ django

🧠 Дискретные диффузионные модели для генерации текста Репозиторий предлагает аннотированную реализацию модели дискретной диффузии для генерации текста, основанную на архитектуре "baby GPT" от Андрея Карпаты. Используя подход денойзинга, модель восстанавливает и генерирует текст, обучаясь на примерах, таких как произведения Шекспира. 🚀 Основные моменты: - Обучение на текстах с использованием дискретных диффузионных моделей. - Параллельная генерация токенов вместо последовательной. - Включает математическую основу и адаптацию существующих архитектур. - Применение к различным наборам данных и настройкам модели. 📌 GitHub: https://github.com/ash80/diffusion-gpt #python

Изучили базу по Python и не знаете, как кодить еще лучше? ✅ Пройдите бесплатный курс по настройке инструментов Python в Академии Selectel. Рассказываем, что изучать после основ и как не зациклиться на типовых навыках на старте. В программе курса: 🔸 освоим Python-инструменты для упрощения работы с кодом: SonarLint, Myry и другие; 🔸 протестируем библиотеку Tkinter, чтобы создавать приложения с графическим интерфейсом; 🔸 расскажем, как парсить данные с веб-сайтов и закрепить полученные знания на практике. Все материалы бесплатные. Проходите курс в комфортном темпе в Академии Selectel: https://slc.tl/xc1nq Реклама. АО "Селектел". erid:2W5zFG6QH36

⚡️ Pytest markers: ускоряем разработку и тестирование Когда проект растёт — часть тестов становится медленной (ML-тренировка, GPU-инференс, интеграционные проверки). Pytest позволяет помечать такие тесты и запускать только нужные группы. В примере: - @pytest.mark.fast — быстрые юнит-тесты - @pytest.mark.slow — долгие тесты (например, обучение модели) - @pytest.mark.gpu — тесты, требующие GPU Команды: # Запустить только быстрые pytest -m fast # Запустить всё, кроме slow pytest -m "not slow" Идеально, когда нужно: - быстро прогнать код перед пушем - запускать тяжёлые тесты по расписанию/в CI - разделить ML-тесты по ресурсам (CPU/GPU) Используйте маркеры — и ваша разработка станет быстрее и чище 🧪⚙️ #pytest #python #testing #mlengineering #unittesting #devtools

⚡️ Python трюк: безопасное завершение потоков через флаг события Многие просто daemon=True ставят и надеются, что всё само завершится. Но это ломает контроль и может привести к утечкам. Проще и надёжнее — использовать общий Event, чтобы уведомлять потоки о завершении.

import threading
import time

stop_event = threading.Event()

def worker():
    while not stop_event.is_set():
        print("Работаю...")
        time.sleep(0.3)
    print("Останавливаюсь корректно.")

thread = threading.Thread(target=worker)
thread.start()

time.sleep(1.2)
stop_event.set()   # посылаем сигнал остановки
thread.join()
print("Все потоки завершены корректно.")

🤖 OpenTrack: Открытая система трекинга движений OpenTrack — это кодовая база для трекинга движений гуманоидов, использующая MuJoCo для симуляции и поддерживающая многопроцессорное обучение. Проект ориентирован на исследование и разработку в области робототехники. 🚀 Основные моменты: - Открытый исходный код для трекинга движений - Поддержка многопроцессорного обучения - Использует MuJoCo для симуляции - Реализует различные сценарии обучения 📌 GitHub: https://github.com/GalaxyGeneralRobotics/OpenTrack

🖥 PostgreSQL: LATERAL JOIN Иногда тебе нужно выполнить подзапрос, который зависит от строки из внешнего запроса, например, выбрать последние покупки для каждого пользователя или самые дорогие товары из категории. Обычный JOIN не справится, но есть мощный инструмент - LATERAL JOIN. Он позволяет вызывать подзапрос для каждой строки внешней таблицы, сохраняя контекст. Этот приём часто заменяет громоздкие запросы или оконные функции и работает значительно быстрее на PostgreSQL. Используй его, когда нужно сделать что-то «на лету» для каждой записи.

Конкурс для тех, кто не боится высоких нагрузок 😎 Мы в VK вовсю готовимся к Highload++. Привезём много крутого — и вы обязаны это увидеть. Поэтому мы решили разыграть 2 билета на ивент 💙 Условия простые: ✅подпишитесь на каналы @vkjobs, @backendhubvk и @frontendhubvk ✅нажмите кнопку «Участвовать» ✅увеличьте свои шансы и пригласите друга — вместе веселее! Информацию об организаторе, правилах и призах ищите здесь, а результаты конкурса мы подведём 1 ноября. Удачи! Участников: 0 Призовых мест: 2 Дата розыгрыша: 16:00, 01.11.2025 MSK (2 дня)

Управление мониторами с Monitor Control 🖥️ Приложение для управления внешними мониторами через системный трей. Позволяет настраивать яркость, громкость и переключать источники входа с плавной анимацией и поддержкой нескольких мониторов. 🚀Основные моменты: - Управление яркостью и громкостью с анимацией - Переключение между HDMI, DisplayPort и USB-C - Поддержка нескольких мониторов - Современный интерфейс в системном трее - Автоматическое обновление информации о мониторах 📌 GitHub: https://github.com/Toxblh/Monic @pythonl

Короче, ищем менторов — Senior Python-разработчиков Ищем в ШОРТКАТ — менторскую платформу от команды разработчиков из бигтеха. Мы помогаем найти крутую работу, апнуть грейд или сменить стек. Что надо будет делать: проводить тестовые собесы → оценивать грейд → помогать разбираться в сложных темах. Что взамен: - От 40К за 5-7 часов работы в неделю - Доступ к обучению и комьюнити сильных менторов из Яндекс, Uber, VK, Сбер - Возможность выступать на эфирах, куда уже приходят 500+ разработчиков, и стать заметнее на рынке Заполняй форму — свяжемся и расскажем подробности ➡️https://tally.so/r/mD602X Реклама. О рекламодателе.

🤖 Красота! Теперь сделать собственного AI-агента стало проще простого Достаточно выполнить: > uv pip install mcp2py dspy и буквально за 6 строк кода на Python вы получите ИИ-агента, который может искать и получать информацию через Google Chrome MCP DevTools. 💡 Самое интересное — вы всего в 1–2 шагах от того, чтобы подключить Gepa и автоматически оптимизировать промпты вашего агента. То есть агент не просто отвечает, а постепенно учится улучшать свои результаты. 🚀 Минимум кода — максимум возможностей. #Python #AI #dspy #MCP #PromptEngineering #Gepa https://github.com/mainak55512/qwe @pythonl

Прежде чем читать длиннющий релиз новой версии Python 3.14, посмотрите это видео Евгения Афонасьева, тимлида разработки Antifraud в Авито 🚀 За 12 минут он рассказал, какие фичи стоят внимания внедрения в работу, про небольшие, но приятные обновления тоже не забыл. 📺 Смотрим и обсуждаем по ссылке!

🖥 PSF отвергла грант $1.5 млн на усиление безопасности PyPI Python Software Foundation отказалась от гранта Национального научного фонда США на $1.5 млн из-за условий, запрещающих любые инициативы, которые продвигают или поддерживают DEI. Ограничение распространялось не только на работы по гранту, а на всю деятельность организации в период действия финансирования, что создавало юридические и финансовые риски. Почему отказали: - Условия противоречат миссии PSF, где ценности разнообразия, равенства и инклюзивности закреплены явно. - В случае трактовки нарушения NSF может потребовать вернуть уже израсходованные средства. - Организация не готова сворачивать DEI-политику ради получения финансирования. На что планировалось потратить деньги: - Построить проактивную защиту PyPI: проверка пакетов до публикации, а не после. - Автоматическое ревью с анализом функциональности и сигнатур типовых вредоносных техник. - Инструменты, пригодные для адаптации в других экосистемах пакетов вроде npm и crates.io. Контекст: - Сумма для PSF заметная: бюджет порядка нескольких миллионов долларов в год при небольшой команде. - Отказ — это выбор в пользу долгосрочного доверия сообщества и сохранения открытой, инклюзивной культуры. Вывод: - Безопасность экосистемы — приоритет, но не ценой отказа от базовых принципов. PSF продолжит укреплять защиту цепочки поставки Python-пакетов без компромиссов с миссией. Новость: https://pyfound.blogspot.com/2025/10/NSF-funding-statement.html @pythonl

💡 Cursor 2.0 - большое обновление ИИ-редактора кода Новая версия делает работу с агентами и кодом ещё гибче и удобнее: - Мульти-агенты - теперь можно запускать до 8 агентов параллельно, каждый работает в своей изолированной копии кода. - Composer: первая собственная агентская модель Cursor, которая оптимизирована под длинный контекст и инструменты (с производительностью в ~4× выше, по сравнению с аналогичными по «интеллекту» моделями.) - Backend-абстракция - легко переключаться между локальной системой, виртуальной машиной или базой данных. - Встроенный Browser - агенты теперь сами тестируют веб-приложения, кликают по элементам - Новый Code Review - удобный просмотр изменений без постоянных переключений между файлами. - Sandboxed Terminals - команды выполняются в безопасной среде без доступа в интернет. - Team Commands - единые команды и настройки для всей команды разработчиков. - Voice Mode - управление агентом голосом и голосовые запросы. - Ускоренный LSP - быстрее работает автодополнение и анализ кода в больших проектах. - Plan Mode in Background - планирование и выполнение задач теперь можно разделять и выполнять параллельно. - Cloud Agents - мгновенный запуск и высокая стабильность (99.9% аптайма). - Enterprise-функции - централизованный контроль, hooks и аудит действий пользователей. Подробнее: https://cursor.com/changelog/2-0 @ai_machinelearning_big_data #Cursor

📊 Zabbix Notifications in Telegram Инструмент для отправки уведомлений из Zabbix в Telegram с графиками и сообщениями. Поддерживает как личные, так и групповые чаты, а также каналы. Простая настройка и поддержка markdown/HTML. 🚀Основные моменты: - Отправка графиков и уведомлений в Telegram - Поддержка личных и групповых чатов - Возможность использования emoji для обозначения серьезности - Сохранение chatid в временный файл - Простое управление через команды бота (в разработке) 📌 GitHub: https://github.com/ableev/Zabbix-in-Telegram #python

Поговорим про деньги в IT? Приглашаем опытных IT-специалистов пройти небольшой опрос про зарплаты и бенефиты в технологических компаниях. Это займёт не более 7 минут — а ваше мнение поможет одному крупному российскому работодателю делать актуальные оферы. Пройти опрос можно здесь

⚡️ Как тестировать код без настоящей базы данных Когда вы пишете юнит-тесты, подключение к реальной БД — лишнее: - это медленно, - тесты становятся нестабильными, - нужен живой сервер. Решение — замокать вызов pandas.read_sql и вернуть подставные данные. Пример функции:

def query_user_data(user_id):
    query = f"SELECT id, name FROM users WHERE id = {user_id}"
    return pd.read_sql(query, "postgresql://localhost/mydb")

Тест с моком:

from unittest.mock import patch
import pandas as pd

@patch("pandas.read_sql")
def test_database_query_mocked(mock_read_sql):
    mock_read_sql.return_value = pd.DataFrame(
        {"id": [123], "name": ["Alice"]}
    )

    result = query_user_data(user_id=123)
    assert result["name"].iloc[0] == "Alice"

Теперь вместо запроса в реальную базу тест подставляет фейковые данные. Так можно проверить бизнес-логику функции быстро и надёжно.

🔥 10 Python-библиотек, которые должен знать каждый разработчик LLM и GenAI 1️⃣ [LangChain](https://www.langchain.com/) Фреймворк для создания LLM-приложений, агентов и инструментов. Позволяет соединять языковые модели с базами данных, API и внешними сервисами. Идеален для построения RAG-систем, чат-ботов и аналитических ассистентов. 2️⃣ [LangGraph](https://github.com/langchain-ai/langgraph) Надстройка над LangChain для создания сложных многоагентных систем. Поддерживает условную логику, ветвления и сохранение состояния. Используется для разработки автономных агентов, которые сотрудничают и планируют задачи. 3️⃣ [Docling](https://github.com/DS4SD/docling) Инструмент для анализа и извлечения информации из документов. Объединяет LLM, LangChain и RAG-подход для “умного” чтения PDF, таблиц и сканов. Подходит для систем документооборота, юридических и научных данных. 4️⃣ [OpenAI Python SDK](https://github.com/openai/openai-python) Официальная библиотека для работы с моделями GPT-4o, DALL-E, Whisper и другими API OpenAI. Позволяет вызывать модели, генерировать текст, изображения и транскрибировать аудио в несколько строк кода. Главный инструмент для интеграции мощных моделей в свои Python-приложения. 5️⃣ [Markitdown (Microsoft)](https://github.com/microsoft/markitdown) Библиотека от Microsoft для создания интерфейсов LLM-приложений с использованием Markdown. Позволяет описывать UI и рабочие процессы прямо в тексте — быстро, удобно и без JavaScript. Полезна для автоматизации LLM-воркфлоу и простых чат-интерфейсов. 6️⃣ [Streamlit](https://streamlit.io/) Фреймворк для построения интерактивных AI-дашбордов и веб-приложений. Позволяет визуализировать результаты модели, строить формы ввода, графики и интерактивные элементы. Отличный выбор для быстрой демонстрации или внутреннего прототипа GenAI-проекта. 7️⃣ [FastAPI](https://fastapi.tiangolo.com/) Высокопроизводительный фреймворк для создания REST и WebSocket API. Идеален для деплоя ML и LLM моделей в продакшене. Быстрый, типизированный и легко масштабируемый — стандарт де-факто в AI-бэкендах. 8️⃣ [Faiss](https://github.com/facebookresearch/faiss) Библиотека для векторного поиска и кластеризации эмбеддингов. Молниеносно ищет похожие тексты, изображения или документы в огромных наборах данных. Необходима в RAG-системах, рекомендациях и семантическом поиске. 9️⃣ [SentenceTransformers](https://www.sbert.net/) Набор моделей для генерации эмбеддингов предложений, текстов и документов. Даёт качественные векторные представления для поиска, кластеризации и анализа смысловой близости. Отлично работает вместе с Faiss и LangChain. 🔟 [MLflow](https://mlflow.org/) Инструмент для трекинга экспериментов, управления моделями и деплоя ML-проектов. Позволяет отслеживать метрики, сравнивать версии и хранить модели в централизованном реестре. Незаменим при построении воспроизводимого и управляемого MLOps-процесса. ⚙️ Эти библиотеки формируют единый стек для создания LLM-агентов, RAG-систем, аналитических ассистентов и AI-сервисов — от эксперимента до продакшена. @pythonl

🧠 Дискретные диффузионные модели для генерации текста Репозиторий предлагает аннотированную реализацию модели дискретной диффузии для генерации текста, основанную на архитектуре "baby GPT" от Андрея Карпаты. Используя подход денойзинга, модель восстанавливает и генерирует текст, обучаясь на примерах, таких как произведения Шекспира. 🚀 Основные моменты: - Обучение на текстах с использованием дискретных диффузионных моделей. - Параллельная генерация токенов вместо последовательной. - Включает математическую основу и адаптацию существующих архитектур. - Применение к различным наборам данных и настройкам модели. 📌 GitHub: https://github.com/ash80/diffusion-gpt #python

🖥 Microsoft представила новый цикл лекций по Python и искусственному интеллекту. В курсе собрали актуальную информацию по коллегу на Python и создании продвинутых ИИ помощников, основанных. • Содержание: Курс включает 9 лекций, дополненных видеоматериалами, подробными презентациями и примерами кода. Обучение разработке ИИ-агентов доступно даже для новичков в кодировании. • Темы: В лекциях рассматриваются такие темы, такие как RAG (Retrieval-Augmented Generation), эмбеддинги, агенты и протокол MCP. Идеальный план на выходные - углубиться в ИИ! https://github.com/orgs/azure-ai-foundry/discussions/166

🤖 Dexter: Автономный финансовый исследователь Dexter - это интеллектуальный агент, который анализирует финансовые данные, планирует задачи и учится на ходу. Он превращает сложные финансовые вопросы в четкие исследовательские планы, используя актуальные рыночные данные и самопроверку для достижения точных ответов. 🚀Основные моменты: - Автоматическое планирование задач для сложных запросов - Автономное выполнение с использованием финансовых инструментов - Самопроверка и итерации для повышения точности - Доступ к актуальным финансовым данным - Защита от бесконечного выполнения задач 📌 GitHub: https://github.com/virattt/dexter