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:📈 Telegram kanali Python Community analitikasi
Python Community (@python_community_ru) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 11 579 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 10 347-o'rinni va Rossiya mintaqasida 54 928-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 11 579 obunachiga ega bo‘ldi.
05 Oktabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -67 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 4.96% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.48% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 574 marta ko‘riladi; birinchi sutkada odatda 287 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 1 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®istryType=bloggersPermission”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 06 Oktabr, 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.
11 579
Obunachilar
-324 soatlar
-237 kun
-6730 kun
Postlar arxiv
11 578
🎇Главная идея DevSecOps: безопасность перестаёт тормозить разработку.
Вместо проверок «после релиза» всё встроено в пайплайн: код проходит SAST, контейнеры сканируются, инфраструктура проверяется на комплайенс. В итоге релизы выходят быстрее и при этом безопаснее.
Этому и учит курс DevSecOps от Академии Codeby (https://codeby.academy/landings/devsecops/?erid=2VtzqxFc4SR&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_oct_26_pythonl&utm_content=pythonl&utm_term=site)на практике:
⏺️9 модулей, 48 занятий, 90% практики
⏺️Стек: Docker, Kubernetes, Terraform, Vault, Ansible, Prometheus
⏺️Финальный экзамен в стиле OSCP — только реальные задачи
⏺️Авторы — практики: внедрение Zero Trust, построение SOC, разработка DevSec-инструментов под Burp Suite
Инженеры, которые умеют встраивать безопасность в CI/CD, сегодня в дефиците на стыке ИБ и DevOps — компании поняли, что «сначала сделать, потом чинить» обходится дороже.
👉 Запись на курс открыта до 15 октября
➡️️️ (https://codeby.academy/landings/devsecops/?erid=2Vtzqwr289a&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_october_26_iscode&utm_content=iscode&utm_term=site)Программа и регистрация (https://codeby.academy/landings/devsecops/?erid=2VtzqxFc4SR&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_oct_26_pythonl&utm_content=pythonl&utm_term=site)
Бесплатная консультация — @CodebyAcademyBot
@Python_Community_ru
11 578
🖥 Python-дайджест недели: PyPy 8 с Python 3.12, отладка None и фреймворки для агентов
PyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython.
https://pypy.org/posts/2026/09/pypy-v800-release.html
nonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке.
https://pypi.org/project/nonetrace/
since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках.
https://github.com/MohammadHijjawi97/since-cutoff
Hardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода.
https://pytorch.org/blog/hardware-agnostic-models-in-vllm/
Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках.
https://digline.dev/blog/bad-evals-my-own/
CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе.
https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bh
Из проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов.
https://github.com/strands-agents/harness-sdk
https://github.com/confident-ai/deepteam
Для обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов.
https://github.com/anuj0456/OpenArch
https://github.com/Human-Agent-Society/reef
И приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run().
https://pythonhub.dev/digest/2026-10-04/
@Python_Community_ru
11 578
🐍 Python тормозит? В 3.15 добавили инструмент, который покажет где
Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время.
Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода.
Что умеет:
• Строить flame graphs и тепловые карты строк.
• Показывать нагрузку в реальном времени.
• Анализировать asyncio, ожидание I/O и удержание GIL.
Подключение к процессу по PID:
python3.15 -m profiling.sampling attach 12345
🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике:
https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler
@Python_Community_ru
11 578
webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики.
Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде:
- проверки, следует ли вывод из заданных предпосылок
- перевода текста в формальную логику
- semantic parsing
- формализации и критики доказательств в Lean
По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам.
- 3,66B параметров
- Q4 GGUF весит всего 2,09 GiB
- достаточно около 4 GB VRAM
- можно запускать через llama.cpp
- данные остаются локально
Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial.
https://huggingface.co/webAI-Official/TwIL-LM3-Pro
@Python_Community_ru
11 578
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
@Python_Community_ru
11 578
🖥 Cayu - open-source runtime для долгоживущих ИИ-агентов на Python
Проект закрывает инфраструктурную часть работы агентов: управление состоянием, инструментами, правами доступа, секретами и восстановлением после сбоев.
Возможности:
- долговечные сессии, события и контрольные точки;
- возобновление, прерывание и разветвление запусков;
- типизированные инструменты, политики и подтверждения действий;
- лимиты расходов и учёт стоимости запусков;
- работа с субагентами и фоновыми задачами;
- управление контекстом и его сжатие;
- изолированные окружения, хранилища и секреты;
- трассировка, тесты и evals;
- панель управления на FastAPI;
- OpenAI, Anthropic, Bedrock, Vertex и OpenAI-совместимые API.
Минимальный запуск:
pip install cayu pytest
cayu new myagent
cd myagent
pytest
cayu eval run
https://github.com/cayu-dev/cayu
@Python_Community_ru
11 578
🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями
Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.
Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые
https://github.com/justxor/python-primery-koda-2026/
@Python_Community_ru
11 578
+1🚀 Jina-OCR-v1 разбирает целые страницы в Markdown со скоростью 2,57 страницы/с
Jina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown.
Главное:
- 91,14 на OmniDocBench v1.6;
- 83,4 на olmOCR-Bench;
- на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench;
- до 2,57 страницы/с;
- лучший throughput среди 14 протестированных систем при concurrency 32;
- сохраняет текст, формулы, таблицы и порядок чтения за один проход.
Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP.
Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно.
Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение.
ModelScope:
https://modelscope.ai/models/jinaai/
Paper: https://modelscope.ai/papers/2609.03
@Python_Community_ru
11 578
🐍 В Python 3.15 решили мягко «похоронить» re.match()
re.match() никуда не удаляют, но для нового кода его теперь рекомендуют не использовать.
Причина простая: название функции часто сбивает с толку. re.match() проверяет совпадение только с начала строки, хотя по имени это неочевидно.
В Python 3.15 появился более явный вариант:
re.prefixmatch()
Теперь логика выглядит понятнее:
- re.search() — ищет совпадение в любом месте;
- re.prefixmatch() — только с начала строки;
- re.fullmatch() — вся строка должна совпасть полностью.
re.match() получил статус soft deprecated: он остаётся рабочим, без warning и без планов на удаление, но новый код лучше писать без него.
Проверять старое использование можно через Ruff и правило TID251.
Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/
@Python_Community_ru
11 578
⚡️ Qwen-Image за 6 шагов: Viggle ускорили генерацию и редактирование в 5 раз
Viggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG.
Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ.
По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832.
https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo
@Python_Community_ru
11 578
🖥 Заголовки безопасности для FastAPI - одной строкой 🛡️
fastapi-security-headers добавляет к ответам приложения HTTP-заголовки: HSTS, защиту от MIME sniffing, ограничения на встраивание страниц и другие политики браузера. Подключается как ASGI middleware:
app.add_middleware(SecurityHeadersMiddleware)
Есть готовые настройки для JSON API, строгой политики и Swagger UI, чтобы /docs продолжал работать. Заголовки можно настроить под конкретное приложение или переопределить для отдельного маршрута.
GitHub - https://github.com/aletgdev/fastapi-security-headers
@Python_Community_ru
11 578
+1Линтер для инструкций ИИ-агентов
LintLang проверяет AGENTS.md, CLAUDE.md, SKILL.md, описания инструментов и конфигурации агентов. Ищет расплывчатые инструкции, циклы без условия остановки и расхождения между описанием инструмента и его схемой.
Работает локально, без вызовов LLM. Его можно запустить перед коммитом или добавить в CI, чтобы новые ошибки в инструкциях попадали на проверку вместе с кодом.
uvx lintlang scan AGENTS.md
https://github.com/hermes-labs-ai/lintlang
@Python_Community_ru
11 578
⚡️ OmniVoice - открытая модель озвучки с поддержкой более 600 языков.
Она умеет клонировать голос по 3–10 секундам записи и озвучивать новый текст этим голосом. Можно также задать характеристики голоса словами - например, тембр или акцент, либо позволить модели выбрать голос самой.
Для разработчиков есть Python API, CLI и локальное веб-демо. Авторы заявляют скорость генерации до 40× быстрее реального времени, но это показатель для отдельных условий запуска, а не гарантия для любого устройства.
Режим создания голоса по описанию обучали преимущественно на английском и китайском, поэтому на других языках результат может быть нестабильным.
Подойдёт для озвучки роликов, локализации и голосовых интерфейсов - особенно если нужен язык, который редко встречается в TTS-моделях.
GitHub: k2-fsa/OmniVoice: https://github.com/k2-fsa/OmniVoice
@Python_Community_ru
11 578
⚡ Qwen представила Audio 3.1 - единый стек для ASR, TTS и realtime-аудио.
Главное:
* ASR лучше распознаёт языки и диалекты, убирает повторы и слова-паразиты.
* ASR-Next разделяет спикеров, ставит таймкоды, распознаёт эмоции и окружающие звуки.
* TTS поддерживает перенос голоса между языками и управление стилем, скоростью и эмоцией.
* TTS-Next генерирует сразу голос + эффекты + фон через связку LM + diffusion.
* Realtime умеет одновременно слушать и говорить с естественными перебиваниями.
Плюс сильно снизили цены: TTS ~−70%, Realtime ~−85%, ASR до −95%.
- Qwen-Audio-3.1-ASR:
https://qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans
- Qwen-Audio-3.1-Realtime:
https://qwencloud.com/models/qwen-audio-3.1-realtime-plus
@Python_Community_ru
11 578
🐍 Ruff доволен, mypy молчит, тесты зелёные. А в коде четыре одинаковых функции
Автор статьи столкнулся с этим в проекте, который писал ИИ-агент. Вместо поиска готовых функций агент добавлял новые копии. Когда понадобилось изменить нормализацию данных, он уже не мог разобраться, какую из четырёх править.
Обычные проверки не покрывают всю структуру проекта:
* Ruff находит нарушения правил и умеет проверять сложность при соответствующей настройке.
* mypy проверяет типы.
* pytest проверяет сценарии, для которых написаны тесты.
При этом дублирование между файлами, неиспользуемые функции и нарушения архитектурных границ могут остаться незамеченными.
Автор предлагает добавить структурный анализ. Его инструмент pyscn ищет дубли, сложные функции, мёртвый код и нарушения правил зависимостей:
uvx pyscn analyze .
Что полезно забрать в свой проект:
* Блокировать в CI новые проблемы, а не сразу весь накопленный техдолг.
* Следить за изменением сложности, а не только за общей оценкой.
* Закрепить допустимые зависимости между модулями проверяемыми правилами.
* Дать агенту запускать анализатор до отправки кода на ревью.
Высокая сложность сама по себе ещё не повод переписывать функцию. Иногда длинная последовательность понятных проверок лучше искусственного дробления.
Статья — https://codescan.dev/blog/ruff-mypy-pytest-and-then-what
@Python_Community_ru
11 578
🐍 В CPython одно чтение `__dict__` может навсегда замедлить доступ к атрибутам конкретного объекта.
Начиная с Python 3.11 обычный obj.x часто вообще не делает lookup по словарю. После прогрева интерпретатор специализирует LOAD_ATTR, а значение читается почти напрямую из inline storage объекта.
Но достаточно выполнить:
`obj.__dict__`
или:
`vars(obj)`
а в некоторых случаях даже:
`copy.copy(obj)`
— и __dict__ материализуется. После этого объект теряет быстрый специализированный путь на оставшееся время жизни.
На CPython 3.14.6 в тесте на M3:
обычный объект → 33.0 ms
после чтения __dict__ → 50.6 ms
В free-threaded сборке разрыв ещё больше:
34.0 ms → 59.4 ms.
Интересная деталь: __slots__ сам по себе почти не ускоряет обычный attribute access. Его преимущество здесь в другом — у объекта нет __dict__, значит его невозможно случайно материализовать и сбить оптимизацию.
Очень неочевидная причина, почему vars() или copy.copy() внутри hot path могут неожиданно ударить по производительности.
https://deadlovelll.github.io/2026-09-05-reading-dict-deoptimizes-attribute-access/
@Python_Community_ru
11 578
🔥 Qwen представила Qwen3.8-Omni-Flash - свою первую мультимодальную модель, изначально заточенную под агентные задачи.
Она одновременно работает с видео и аудио, умеет рассуждать по увиденному и услышанному, планировать действия и подключать инструменты. Среди сценариев — автоматический монтаж влогов, перевод коротких видео, создание пересказов фильмов и поиск нужных эпизодов в длинных записях.
По данным Qwen, на WildClawBench-MM и UniClawBench модель прибавила в среднем 19,5 пункта в агентных задачах и приблизилась к Gemini 3.8 Flash по работе с аудио и видео.
Контекст - 1 млн токенов. На OmniVideoBench активный поиск по длинному видео позволил сократить расход токенов на 51,8% по сравнению со статическим анализом.
Стоимость обработки видео при этом снизилась примерно на 89% относительно Qwen3.5-Omni-Plus.
Вместе с моделью Qwen открывает Qwen-MM-Plugins для мультимодальных инструментов. Qwen-Live Harness также будет опубликован отдельно.
https://qwen.ai/blog?id=qwen3.8-omni-flash
@Python_Community_ru
11 578
🔥 Package Doctor - необычный security-сканер для Python-зависимостей
Он отвечает не только на вопрос «есть ли у пакета CVE?», а на более практичный:
если завтра в этой зависимости найдут уязвимость, вы реально под угрозой и есть ли вообще кому её исправлять?
Package Doctor оценивает сразу две вещи:
- находится ли библиотека на trust boundary: auth, загрузка файлов, десериализация, crypto, URL parsing, model loading и т.д.
- есть ли у проекта реальная способность быстро выпустить фикс
Плюс инструмент:
- проверяет pinned-версии по advisory-базам
- учитывает CISA KEV и EPSS
- AST-парсит ваш код и показывает, где зависимость реально импортируется
- отличает abandoned package от просто редко обновляемого
- умеет работать как hook для Claude Code и блокировать подозрительную зависимость до pip install
Интересный подход: не засыпать разработчика сотнями CVE, а приоритизировать именно те зависимости, где одновременно есть экспозиция + слабая поддержка.
Автор отдельно рекомендует использовать его вместе с pip-audit, а не вместо него.
https://github.com/binuka200/package-doctor
@Python_Community_ru
11 578
🔥 Django Q() objects — один из самых полезных инструментов ORM, который многие используют слишком редко
Q() позволяет собирать сложные условия для WHERE, комбинируя их через AND, OR и NOT.
Пример:
Pet.objects.filter(
Q(last_given_treats__isnull=True)
| Q(last_given_treats__lte=timezone.now() - timedelta(days=1)),
treats_needed__gt=F("treats_given"),
)
Особенно полезно для динамических фильтров:
q = Q()
for term in search_term.split():
q |= Q(name__icontains=term)
Pet.objects.filter(q)
Но есть ещё более важный момент.
При фильтрации через related models два отдельных .filter() могут привести к двум JOIN и неожиданно изменить смысл запроса.
Species.objects.filter(
pets__name__icontains="meowy"
).filter(
pets__treats_given=0
)
Это уже может искать одну запись по имени, а другую - по количеству treats.
Если собрать условия в одном .filter() или через Q(), Django использует один JOIN и проверяет условия на одной и той же связанной записи.
Очень полезный приём для сложных QuerySet, динамического поиска и composable business filters.
https://www.better-simple.com/django/2026/09/09/nifty-feature-q-objects/
@Python_Community_ru
11 578
🖥 Python → C++: Shed Skin компилирует код без ручной расстановки типов
Shed Skin переводит ограниченное подмножество Python 3 в оптимизированный C++. На выходе можно получить отдельную программу или модуль расширения, который импортируется в обычный Python-проект.
Типы инструмент выводит автоматически, поэтому аннотации добавлять не обязательно. Но код должен соответствовать ограничениям статической типизации.
Что со скоростью? На наборе из более чем 80 программ авторы получили среднее ускорение в 20 раз относительно CPython 3.14, медианное - в 12 раз. Это результаты конкретных примеров, а не обещание для любого проекта.
Ограничения существенные:
* Поддерживается только часть Python.
* Из стандартной библиотеки доступны около 25 модулей, включая random и re.
* Произвольные сторонние библиотеки использовать нельзя.
* Вложенные функции и переменное число аргументов не поддерживаются.
Проект рассчитан прежде всего на небольшие вычислительные участки кода, которые можно отделить от внешних зависимостей. Для совместимости может потребоваться серьёзный рефакторинг.
В репозитории есть примеры, включая трассировку лучей, шахматоподобные игры и DOOM.
https://github.com/shedskin/shedskin
@Python_Community_ru
