Python Community

Kanalga Telegram’da o‘tish

Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission

Ko'proq ko'rsatish

Tarmoq:BZD • Книги для программистов Rossiya55 278 Texnologiyalar & Aralashmalar10 540...

📈 Telegram kanali Python Community analitikasi

Python Community (@python_community_ru) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 11 777 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 10 540-o'rinni va Rossiya mintaqasida 55 278-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 11 777 obunachiga ega bo‘ldi.

13 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -74 ga, so‘nggi 24 soatda esa -3 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

Tasdiqlash holati: Tasdiqlanmagan
Jalb etish (ER): Auditoriya o‘rtacha 4.95% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.73% ini tashkil etuvchi reaksiyalarni to‘playdi.
Post qamrovi: Har bir post o‘rtacha 583 marta ko‘riladi; birinchi sutkada odatda 322 ta ko‘rish yig‘iladi.
Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 2 ta reaksiya keladi.
Tematik yo‘nalishlar: Kontent docker, git, github, контейнер, await kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed&registryType=bloggersPermission”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 14 Iyul, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.

11 779

Obunachilar

-324 soatlar

-167 kunlar

-7430 kunlar

583

Post ko'rishlar

~ 32224 soatlar

~ 39948 soatlar

4.95%

Muloqot nisbati

~ 1

Kuniga postlar

Ads index

beta

Ma'lumot yuklanmoqda...

O'xshash kanallar

Pythonist.ru - образование по питону

6.5K

About Python [ru]

4.5K

🐍 PythonGuru — работа и стажировки для программистов

Ko'proq kanallar

Kirish va chiqish esdaliklari

---

Obunachilarni jalb qilish

Iyul '26

0 kanalda

Iyun '26

+21

0 kanalda

Get PRO

May '26

+42

0 kanalda

Get PRO

Aprel '26

+42

0 kanalda

Get PRO

Mart '26

+19

0 kanalda

Get PRO

Fevral '26

+18

0 kanalda

Get PRO

Yanvar '26

+16

0 kanalda

Get PRO

Dekabr '25

0 kanalda

Get PRO

Noyabr '25

+19

0 kanalda

Get PRO

Oktabr '25

+13

0 kanalda

Get PRO

Sentabr '25

0 kanalda

Get PRO

Avgust '25

+14

0 kanalda

Get PRO

Iyul '25

0 kanalda

Get PRO

Iyun '25

+29

0 kanalda

Get PRO

May '25

+12

0 kanalda

Get PRO

Aprel '25

+15

0 kanalda

Get PRO

Mart '25

+19

0 kanalda

Get PRO

Fevral '25

+27

0 kanalda

Get PRO

Yanvar '25

+18

0 kanalda

Get PRO

Dekabr '24

+12

0 kanalda

Get PRO

Noyabr '24

0 kanalda

Get PRO

Oktabr '24

+82

0 kanalda

Get PRO

Sentabr '24

+27

0 kanalda

Get PRO

Avgust '24

+29

0 kanalda

Get PRO

Iyul '24

+13

1 kanalda

Get PRO

Iyun '24

+10

0 kanalda

Get PRO

May '24

+28

0 kanalda

Get PRO

Aprel '24

+65

0 kanalda

Get PRO

Mart '24

+82

17 kanalda

Get PRO

Fevral '24

+28

0 kanalda

Get PRO

Yanvar '24

+64

5 kanalda

Get PRO

Dekabr '23

+74

4 kanalda

Get PRO

Noyabr '23

+53

6 kanalda

Get PRO

Oktabr '23

+95

4 kanalda

Get PRO

Sentabr '23

+51

0 kanalda

Get PRO

Avgust '23

+219

0 kanalda

Get PRO

Iyul '23

+66

0 kanalda

Get PRO

Iyun '23

+133

0 kanalda

Get PRO

May '23

+33

0 kanalda

Get PRO

Aprel '23

+29

0 kanalda

Get PRO

Mart '23

+30

0 kanalda

Get PRO

Fevral '23

+82

0 kanalda

Get PRO

Yanvar '23

+27

0 kanalda

Get PRO

Dekabr '22

+98

0 kanalda

Get PRO

Noyabr '22

+200

0 kanalda

Get PRO

Oktabr '22

+320

0 kanalda

Get PRO

Sentabr '22

+310

0 kanalda

Get PRO

Avgust '22

+358

0 kanalda

Get PRO

Iyul '22

+194

0 kanalda

Get PRO

Iyun '22

+55

0 kanalda

Get PRO

May '22

+81

0 kanalda

Get PRO

Aprel '22

+52

0 kanalda

Get PRO

Mart '22

+33

0 kanalda

Get PRO

Fevral '22

+15

0 kanalda

Get PRO

Yanvar '22

+31

0 kanalda

Get PRO

Dekabr '21

+39

0 kanalda

Get PRO

Noyabr '21

+20

0 kanalda

Get PRO

Oktabr '21

+19

0 kanalda

Get PRO

Sentabr '21

+357

0 kanalda

Get PRO

Avgust '21

+6 044

0 kanalda

Get PRO

Iyul '21

+36

0 kanalda

Get PRO

Iyun '21

+38

0 kanalda

Get PRO

May '21

+8 384

0 kanalda

Get PRO

Aprel '21

+18 733

0 kanalda

Sana	Obunachilarni jalb qilish	Esdaliklar	Kanallar
14 Iyul	+1
13 Iyul	+2
12 Iyul	0
11 Iyul	0
10 Iyul	+1
09 Iyul	0
08 Iyul	+1
07 Iyul	0
06 Iyul	+2
05 Iyul	0
04 Iyul	0
03 Iyul	+1
02 Iyul	0
01 Iyul	0

Kanal postlari

🔍 OmniParser (https://github.com/microsoft/OmniParser?tab=readme-ov-file) — это инструмент от Microsoft, предназначенный для разбора и анализа интерфейсов приложений на основе скриншотов 🌟 OmniParser позволяет распознавать и структурировать элементы интерфейса, обеспечивая, чтобы визуальные агенты на основе GPT могли ориентироваться и взаимодействовать с различными GUI-компонентами. OmniParser поддерживает модель для обнаружения интерактивных областей и описания иконок, делая возможным создание агентов, ориентированных на визуальное восприятие 🔐 Лицензия: CC-BY-4.0 🖥 Github (https://github.com/microsoft/OmniParser?tab=readme-ov-file) @Python_Community_ru

2	⚡️ OpenChronicle - локальная память для AI-агентов Одна из главных проблем AI-агентов: они быстро теряют контекст. Сегодня вы обсуждали проект, архитектуру, людей, решения и инструменты. Завтра агент снова спрашивает: «А что мы делаем?» OpenChronicle пытается закрыть эту дыру. Он запускается на Mac, смотрит на рабочий контекст и превращает его в постоянную Markdown-память: * проекты * решения * инструменты * людей * последние действия * важные рабочие детали Память хранится локально, её можно открыть и прочитать руками. Под капотом - Markdown на диске и SQLite. https://github.com/Einsia/OpenChronicle @Python_Community_ru	344
3	Агенты прокачивают друг друга UCSB-AI выложили GEA, фреймворк для open-ended self-improvement агентов через обмен опытом. Идея простая, но мощная: улучшать не одного агента в вакууме, а целую группу агентов как одну эволюционирующую систему. Один агент нашёл удачный паттерн, другой переиспользовал его, третий доработал, группа стала сильнее. Это похоже на переход от «один AI сам себя улучшает» к «популяция агентов накапливает коллективный опыт». В репозитории есть код для запуска GEA, интеграция с SWE-bench и Polyglot, Docker-окружение, промпты и инструменты для foundation-моделей. Проект распространяется под Apache-2.0. https://github.com/UCSB-AI/GEA @Python_Community_ru	395
4	GPT-5.6 Terra выглядит слабым выбором по соотношению интеллект / цена. Судя по графику, Terra проигрывает почти на всей кривой эффективности. То есть его трудно оправдать и по стоимости, и по производительности. Luna и Sol стабильно выглядят сильнее: * за те же деньги дают больше intelligence * или дают похожий уровень intelligence дешевле * на разных reasoning-режимах обходят Terra Особенно выделяется Luna. Она даёт конкурентный уровень качества за заметно меньшую цену, поэтому выглядит лучшим вариантом для задач, где важна эффективность. Вывод простой: если нужен разумный default по цене и качеству, Luna сейчас выглядит сильнее Terra. https://x.com/Machinelearrn/status/2075969904826605891 @Python_Community_ru	494
5	Хорошая памятка по Python-скриптам, которые не стыдно запускать не только у себя на ноутбуке. Что советуют: * зависимости можно указывать прямо в файле через inline metadata и запускать через uv run * секреты не хардкодить, а брать из env, getpass или системного keyring * print() оставить для пользователя, logging — для отладки * env-переменные документировать в --help * результат отдавать в stdout, ошибки и логи — в stderr * поддерживать pipe через stdin * завершаться нормальными exit code * явно задавать приоритет конфигурации: CLI > env > config > default Маленький скрипт тоже может быть удобным, безопасным и предсказуемым. Особенно когда его через месяц запускает уже не автор, а кто-то другой. https://www.bitecode.dev/p/scripting-good-practices-in-python @Python_Community_ru	570
6	Matn yo'q...	533
7	🌟 General Intuition в коллабе с Epic Games сделали мультиплеерную модель мира Институт General Intuition вместе с французской лабораторией Kyutai и Epic Games представил (https://mira-wm.com/blog-post/) MIRA, генеративный симулятор, воспроизводящий матчи Rocket League (https://www.rocketleague.com/play) в формате 2 на 2 в реальном времени. На входе только история кадров и нажатия клавиш всех четырёх игроков: ни физического движка, ни рендер-движка, ни явных 3D-представлений в инференсе нет. В отличие от Odyssey, где логика вычислений и рендеринг разведены, MIRA пошла (https://mira-wm.com/paper) по пути генеративной симуляции в латентном пространстве видео. В основе - диффузионный трансформер на 5 млрд параметров и отдельный видеокодек-представление на 600 млн. Вместо автоэнкодера кодек строится поверх замороженного DINOv3-L, и латентное пространство выходит настолько стабильным, что специальные приёмы против дрейфа не понадобились, модель работает из коробки на обычном diffusion forcing (https://arxiv.org/pdf/2407.01392). Экраны четырёх игроков MIRA сшивает в единую сетку латентов, чтобы механизмы пространственного внимания работали между ракурсами и держали машины, мяч и события согласованными на всех видах. Механизм action dropout достраивает поведение машин, для которых команды не пришли, компенсируя пропуски в потоках действий. Всего на обучение MIRA ушло около 10 тыс часов геймплея, целиком сгенерированных ботами. 🟡 Тесты Латентный подход бьёт пиксельный на порядок: gFID 10.7 против 81–105 и ARR 0.91 против 0.49–0.61 (ARR измеряет, насколько отданные команды считываются обратно из генерации). Ключ к стабильности именно в DINOv3-L, без него картинка дрейфует в 1.3–1.7 раза сильнее, а с ним gFID держится ровным вплоть до 5 минут, и на практике роллаут идёт часами без коллапса. ARR, кстати, совпадает с оценками живых людей (корреляция Пирсона 0.84). 🟡Недостатки Контекст модели около четырёх секунд, поэтому повторы голов она попросту досочиняет - выглядит правдоподобно, но не совпадает с тем, что было на самом деле. Часы и счёт плывут на переходах, а за 40 минут игры набегает порядка 80 некомандных бустов и 30 прыжков. Авторы опубликовали код (https://github.com/mira-wm/mira) обучения и инференса, а также сет Rocket Science (https://huggingface.co/datasets/kyutai/rocket-science) из 1000 часов каток в 720p с потоками действий и физическими состояниями. На одной NVIDIA B200 модель выдаёт 20 FPS при 576p в реальном времени. Потыкать в играбельное демо можно тут. (https://mira-wm.com/play/?via=game-00) @ai_machinelearning_big_data #news #ai #ml @Python_Community_ru	432
8	✔️ DeepSeek-V4 теперь можно запускать локально через GGUF от Unsloth. DeepSeek-V4-Flash в lossless-версии запускается на 168 ГБ RAM. 3-битная версия работает на Mac и сетапах с RAM/VRAM примерно от 110 ГБ. Unsloth также улучшили chat template, чтобы модель корректнее работала в диалоговом формате. Запускать можно через Unsloth Studio или llama.cpp. Гайд: unsloth.ai/docs/models/deepseek-v4 GGUF: huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF @Python_Community_ru	478
9	‍✔️ Data-Juicer: пайплайн для подготовки данных под foundation models Alibaba и сообщество Data-Juicer развивают open-source систему для обработки датасетов перед обучением, дообучением и RAG. Data-Juicer помогает чистить, фильтровать, дедуплицировать, синтезировать и анализировать данные. Работает не только с текстом, но и с мультимодальными датасетами: изображениями, аудио и видео. В версии 2.0 заявлено больше 100 операторов для разных модальностей. Практический сценарий понятный: есть сырой корпус из разных источников, где много дублей, мусора, слабых примеров и перекоса по доменам. Data-Juicer позволяет собрать воспроизводимый data recipe, прогнать его на локальной машине или в распределённом режиме и потом оценить, как изменения в данных влияют на модель. Проект смотрит на данные как на отдельный слой оптимизации. Позволяет настроить качество, смесь, фильтры и пайплайн обработки. В ранней работе авторы показывали прирост до 7.45% по среднему score на 16 LLM-бенчмарках и 17.5% win rate в GPT-4 pairwise evaluation за счёт data recipes. https://github.com/datajuicer/data-juicer @Python_Community_ru	528
10	Забавная игрушка на ночь: GitHub-профиль теперь можно превратить в карточку в стиле FIFA. GitFut прогоняет аккаунт по метрикам вроде коммитов, звёзд, репозиториев, подписчиков и активности, а потом собирает карточку с рейтингом от 0 до 99. Идеально, чтобы внезапно узнать, ты GitHub-легенда или бронзовый запасной с одним pet-проектом. https://gitfut.com/ @Python_Community_ru	603
11	The Easiest Way to Scrape the Web Инструмент, который Имитирует браузеры для скрейпинга и парсит HTML в Markdown. Незаметный web-scraping и удобный HTML-парсинг в Python. https://github.com/jpjacobpadilla/Stealth-Requests @Python_Community_ru	637
12	✔️ DeepSeek OCR локально на RTX 3090 Проект даёт полноценный OCR и умную обработку документов прямо у себя на машине через DeepSeek-OCR. Что внутри: загрузка изображений и многостраничных PDF точное распознавание текста + структурирование экспорт в Markdown / HTML / DOCX / JSON извлечение изображений и сохранение формул удобный интерфейс (React) + API (FastAPI) готов к запуску в Docker Подходит, когда нужно превратить сканы в редактируемые и поисковые документы без облака. GitHub: http://github.com/rdumasia303/deepseek_ocr_app @Python_Community_ru	653
13	‍Wagtail как Django admin на стероидах Хороший разбор для Django-разработчиков: Wagtail можно использовать не только как CMS, но и как более удобную админку для обычных Django-моделей. Смысл простой: Django admin быстро даёт UI вокруг моделей, но кастомизация часто превращается в боль. Wagtail даёт более современный интерфейс, нормальную работу с полями, группировку через panels, роли, permissions, rich text, media library, versioning и редакторские workflow. При этом не нужно переписывать проект под CMS-логику. Wagtail ставится как обычный Django-пакет, добавляется в INSTALLED_APPS, подключается в urls.py, а бизнес-логика, views, forms и templates остаются обычными Django. Самый практичный случай использования : взять существующий admin.py, перенести модели в Wagtail snippets и постепенно заменить старую админку там, где нужен интерфейс, который не стыдно показать клиенту. Для внутренних тулзов, CRM, backoffice и контентных разделов это может быть намного приятнее, чем бесконечно допиливать стандартный Django admin. https://timonweb.com/wagtail/wagtail-as-django-admin-on-steroids/ @Python_Community_ru	584
14	Array API + JIT: как ускорять scientific Python без CUDA C Quansight разобрали важную проблему: Array API помогает писать код под разные array-бэкенды, но в SciPy и похожих библиотеках много compiled-кода, который сложнее переносить на GPU и multicore CPU. Авторы предлагают использовать Array API + JIT/AOT-компиляцию как альтернативу ручным специализированным kernels. На примере SciPy RBF interpolator авторы показывают, что такой подход может дать серьёзный прирост производительности на CUDA без написания CUDA C-кода. Scientific Python постепенно уходит от модели «пишем отдельную реализацию под каждое железо» к более удобному стеку, где один код может работать быстрее на разных backend’ах. https://labs.quansight.org/blog/array-api-aot-jit @Python_Community_ru	658
15	Мы это не заслужили ) @Python_Community_ru	763
16	‍Anthropic выкатила Claude Sonnet 5 - мощнейший «агентный» Sonnet в линейке. Главная идея: модель теперь лучше планирует, пользуется инструментами, браузером, терминалом и может дольше вести сложные задачи без постоянного контроля. По словам Anthropic, Sonnet 5 приблизился к Opus 4.8 по агентным задачам, но стоит дешевле. Особенно упор сделали на кодинг, tool use, reasoning и работу с многошаговыми процессами. Модель уже доступна во всех планах Claude, включая Free и Pro, а также в Claude Code и API. Цена для разработчиков до 31 августа 2026: • $2 за 1 млн input tokens • $10 за 1 млн output tokens Потом стандартная цена: • $3 за input • $15 за output Интересный момент: Anthropic отдельно пишет, что Sonnet 5 безопаснее Sonnet 4.6 в агентных сценариях, лучше отказывается от вредных запросов и устойчивее к prompt injection. По сути, это попытка сделать «рабочую лошадку» для AI-агентов: не самую дорогую, но достаточно сильную, чтобы закрывать кодинг, автоматизацию, браузерные задачи и долгие пайплайны. https://www.anthropic.com/news/claude-sonnet-5 @Python_Community_ru	786
17	Как запустить своего Джарвиса за 5 минут: локальный AI-ассистент OpenJarvis Идея простая: вместо очередного облачного чат-бота вы собираете персонального AI-помощника, который работает ближе к вашему устройству, файлам и задачам. https://github.com/open-jarvis/OpenJarvis @Python_Community_ru	685
18	🖥 GitHub Pages можно пересобрать почти на голом Python. Автор показал, как сделать лёгкую платформу для хостинга статических сайтов без фреймворков и тяжёлой инфраструктуры. Только стандартная библиотека Python. Идея простая: • http.server отдаёт статические файлы • небольшой Python-код добавляет логику деплоя • автоматизация обновляет сайт после изменений • HTTPS можно прикрутить без отдельного большого стека Главный кайф не в том, чтобы «убить GitHub Pages», а в том, чтобы понять механику под капотом. Статический хостинг - это не магия. Это файловая раздача, маршруты, деплой, сертификаты и немного аккуратной автоматизации. Хороший материал для тех, кто хочет лучше понимать web-инфраструктуру, а не просто нажимать кнопку Deploy. https://blog.klemek.fr/articles/2026-06-14/ @Python_Community_ru	655
19	‍Вышел scikit-learn 1.9. Это не релиз про «новую модную модель», а про то, что библиотека становится удобнее для реальной ML-разработки. Главное: • experimental callbacks Теперь можно вешать callbacks на estimator-ы через set_callbacks() и отслеживать ключевые этапы fit. Из коробки есть ProgressBar для прогресса и ScoringMonitor для логирования метрик. • лучшее HTML-представление моделей В Jupyter estimator-ы теперь показывают больше полезной информации после fit: fitted attributes, типы, значения, output features у трансформеров и пайплайнов. Для сложных Pipeline, ColumnTransformer и FeatureUnion это реально удобнее, чем вручную копаться в атрибутах. • новый sparse_interface Появилась настройка: sklearn.set_config(sparse_interface="sparray") Она позволяет управлять тем, возвращает scikit-learn старые SciPy sparse matrix или новые sparse array. Пока default остаётся spmatrix, но дальше библиотека будет постепенно двигаться к sparray. • больше поддержки Array API Часть моделей и метрик теперь лучше работает с Array API-compatible inputs. • Narwhals как новая лёгкая зависимость Она нужна, чтобы проще поддерживать разные dataframe-библиотеки, например pandas и polars, особенно в связке с set_output. Обновление: pip install --upgrade scikit-learn https://blog.scikit-learn.org/updates/release-1-9/ @Python_Community_ru	647
20	В Python есть встроенный кэш, о котором многие забывают. Если функция часто вызывается с одними и теми же аргументами, не всегда нужно руками писать словарь, Redis или отдельный слой кэширования. Иногда хватает lru_cache из стандартного модуля functools. Пример: from functools import lru_cache @lru_cache(maxsize=128) def get_user(user_id): print("Запрос к базе") return {"id": user_id} Первый вызов выполнит функцию. Повторный вызов с тем же user_id вернёт результат из кэша. get_user(1) # Запрос к базе get_user(1) # уже из кэша maxsize ограничивает размер кэша, а старые значения вытесняются по принципу LRU: least recently used. Полезно для: • тяжёлых вычислений • запросов к API • чтения редко меняющихся данных • рекурсивных алгоритмов Главное помнить: lru_cache хорошо работает, когда результат функции зависит только от её аргументов. @Python_Community_ru	580

Barcha postlarni ko‘rish