Python Community

📝 Редактирование PDF с помощью ИИ 🚀 Nano PDF - это инструмент командной строки для редактирования PDF-документов с использованием естественного языка. Он позволяет вносить изменения в слайды, добавлять новые и сохранять текстовый слой с помощью OCR. Работает на базе модели Gemini 3 Pro Image. 🚀 Основные моменты: - Редактирование слайдов по текстовым командам - Генерация новых слайдов в стиле существующих - Поддержка многопоточной обработки для повышения скорости - Сохранение текстового слоя с помощью OCR 📌 GitHub: https://github.com/gavrielc/Nano-PDF #python @Python_Community_ru

🚀 TurboDiffusion - генерация видео в 100–205× быстрее на одной RTX 5090. Всего 1.8 секунды на качественное 5-секундное видео. Как это удалось: - SageAttention - Sparse-Linear Attention (SLA) - rCM Комбинация даёт редкий эффект: и скорость, и качество без компромиссов. Это уже не демо-магия, а реальный шаг к быстрому локальному video generation. GitHub: https://github.com/thu-ml/TurboDiffusion @Python_Community_ru

🚀 AI Agents for Android Apps Библиотека для автоматизации работы с нативными Android-приложениями. Идеально подходит для мобильных рабочих процессов в логистике, экономике на заказ и других отраслях, где ноутбук неуместен. Позволяет значительно ускорить выполнение задач и сократить затраты. 🚀 Основные моменты: - Автоматизация процессов на Android-устройствах - Снижение затрат на 95% по сравнению с традиционными методами - Поддержка различных мобильных приложений - Быстрая реакция — менее 1 секунды на действие - Идеально для логистики и мобильного обслуживания 📌 GitHub: https://github.com/actionstatelabs/android-action-kernel @Python_Community_ru

🚀 PyTogether - Google Docs для Python-кода PyTogether - это браузерная IDE для Python с совместной работой в реальном времени. Несколько человек могут писать и запускать код одновременно, видеть курсоры друг друга и общаться прямо внутри редактора. Что умеет: • Совместное редактирование Python-кода (live-collaboration) • Запуск Python прямо в браузере через Pyodide • Чат и голосовая связь внутри IDE • Живые курсоры, выделения и заметки • Простая авторизация и проекты для команд • Никакой установки — всё работает в браузере Кому подойдёт: • Обучение и менторство • Парное программирование • Онлайн-курсы и воркшопы • Быстрые разборы кода и собесы Технологии под капотом: Python (Django, DRF), WebSockets + Y.js для синхронизации, React + CodeMirror, Redis и PostgreSQL. Всё open-source под MIT-лицензией. Хороший пример того, как современные web-технологии превращают IDE в социальный инструмент для обучения и командной работы. https://github.com/SJRiz/pytogether @Python_Community_ru

‍Новая работа MIT: LLM, который видит и меняет состояние Python В MIT предложили подход, при котором языковая модель работает не только с текстом, а напрямую с живым состоянием Python-кода - переменными, объектами в памяти и текущей точкой выполнения. Подход называется NIGHTJAR. Главный результат В экспериментах NIGHTJAR сократил объем кода в среднем на 39.6% без потери корректности. В чем была проблема Обычная LLM: - читает текст - генерирует текст - не видит реальные данные программы Поэтому типичный пайплайн выглядит так: - данные сериализуются в текст - отправляются модели - ответ парсится - программа вручную обновляется Много glue-кода, много мест для ошибок. Что меняет совместное состояние Shared state полностью меняет модель взаимодействия: - LLM может читать и писать переменные - изменять объекты прямо в памяти - останавливать и пропускать циклы - работать с текущим состоянием выполнения Модель не «рассуждает о коде», она с ним взаимодействует. Как это реализовано LLM не получает прямой доступ к памяти. Она отправляет небольшие команды: - прочитать переменную - записать значение - обновить объект - выйти из цикла Python-обработчик выполняет эти команды. Такой контракт авторы называют natural function interface. Результаты На бенчмарке SPSBench с 25 программами: - корректность осталась на уровне ручной интеграции или выше - код стал заметно короче - но время выполнения иногда росло до 4.3 раза Причина проста - каждое обращение к состоянию может требовать отдельного вызова модели. Почему это важно - меньше шаблонного glue-кода - проще писать сложную логику с участием LLM - шаг к более тесной интеграции AI и runtime - фундамент для новых агентных и интерактивных систем Это не про ускорение. Это про изменение архитектуры взаимодействия между программой и моделью. 📌 Статья: arxiv.org/abs/2512.14805 #AI #LLM #Python @Python_Community_ru

‍🖥 python-injection - практический сборник уязвимостей в Python python-injection - это репозиторий с наглядными примерами инъекций и небезопасных паттернов в Python-коде, которые регулярно встречаются в реальных проектах. Проект показывает, как «обычный» Python-код превращается в уязвимость, если не понимать, как именно работают интерпретатор, библиотеки и внешние вызовы. Что внутри: - Command Injection через os.system, subprocess, shell=True - SQL Injection при неправильной работе с запросами - Code Injection через eval, exec, pickle - Path Traversal и небезопасная работа с файлами - Template Injection - Примеры небезопасной десериализации - Реальные анти-паттерны из production-кода Главная ценность репозитория — код, а не теория: - есть уязвимый пример - есть объяснение, почему он опасен - понятно, как именно происходит атака Подходит для: - Python-разработчиков - backend-инженеров - security-энтузиастов - code review и обучения безопасному программированию Если ты пишешь Python и думаешь, что «у нас же не веб» - этот репозиторий стоит открыть. pip install python-injection https://github.com/100nm/python-injection @Python_Community_ru

🚀 Интерактивный помощник для Кодинга Mistral Vibe Mistral Vibe - это командный интерфейс для взаимодействия с кодом, который позволяет использовать естественный язык для выполнения задач. Он предлагает мощные инструменты для работы с файлами, поиска кода и управления версиями, обеспечивая удобный и интуитивный опыт. 🚀 Основные моменты: - Интерактивный чат с AI для выполнения запросов. - Набор инструментов для манипуляции файлами и выполнения команд. - Автоматическое сканирование структуры проекта для контекстной информации. - Высокая настраиваемость через конфигурационные файлы. - Поддержка UNIX и Windows. 📌 GitHub: @Python_Community_ru https://github.com/mistralai/mistral-vibe

📌 Подробная шпаргалка по командам Docker Удобный и практичный референс для повседневной работы с Docker: образы, контейнеры, сети, тома и Docker Compose. 🐋 Общие команды Docker - docker --version — версия Docker - docker info — информация о системе Docker - docker help — список доступных команд - docker --help — помощь по конкретной команде 📦 Работа с образами - docker pull — скачать образ из реестра - docker images — список локальных образов - docker build -t name:tag . — собрать образ из Dockerfile - docker tag : — назначить тег образу - docker rmi — удалить образ - docker image prune — удалить неиспользуемые образы - docker image prune -a — удалить все неиспользуемые, включая невисячие 🚀 Контейнеры: запуск и управление - docker run — запустить контейнер - docker run -d — запуск в фоне - docker run -it bash — интерактивный режим - docker ps — активные контейнеры - docker ps -a — все контейнеры - docker stop — остановить контейнер - docker start — запустить остановленный - docker restart — перезапуск - docker rm — удалить контейнер - docker rm -f — принудительно удалить - docker logs — логи контейнера - docker exec -it bash — войти внутрь контейнера - docker inspect — подробная информация (JSON) 🧹 Очистка и обслуживание - docker container prune — удалить все остановленные контейнеры - docker image prune — удалить неиспользуемые образы - docker volume prune — удалить неиспользуемые тома - docker network prune — удалить неиспользуемые сети - docker system prune — очистить всё неиспользуемое - docker system prune -a — максимально агрессивная очистка - docker system df — использование диска Docker’ом 📊 Мониторинг и отладка - docker stats — использование CPU и памяти контейнерами - docker top — процессы внутри контейнера - docker diff — изменения файловой системы контейнера 🌐 Сети Docker - docker network ls — список сетей - docker network inspect — информация о сети - docker network create — создать сеть - docker network rm — удалить сеть 💾 Docker Volumes - docker volume ls — список томов - docker volume inspect — информация о томе - docker volume create — создать том - docker volume rm — удалить том ⚙️ Docker Compose - docker compose up — запустить сервисы - docker compose up -d — запуск в фоне - docker compose down — остановить и удалить всё - docker compose build — пересобрать образы - docker compose pull — скачать образы - docker compose logs — логи всех сервисов - docker compose ps — статус сервисов - docker compose restart — перезапуск 🧠 Полезные советы - Используй --rm, чтобы контейнер удалялся после выполнения - Проверяй размер Docker-данных через docker system df - Для отладки всегда полезен docker inspect - Регулярно чисти систему, чтобы Docker не съел весь диск Эта шпаргалка закрывает 90% повседневных задач при работе с Docker - от локальной разработки до продакшена. @Python_Community_ru

‍🖥 Как уменьшить Docker-образ в 10+ раз - понятный и практичный разбор. Размер Docker-образа - это не косметика. Он напрямую влияет на: - скорость CI/CD - время деплоя - cold start контейнеров - расходы на storage и трафик В примере ниже образ удалось сократить с 588 MB до 47.7 MB - почти на 92%. Вот какие приёмы реально дают эффект. 1) Выбор базового образа - самое важное решение Полный python:3.9 тянет за собой: - лишние системные утилиты - документацию - dev-пакеты Переход на python:3.9-alpine: - в разы меньше размер - быстрее скачивание - меньше attack surface Это первый и самый крупный выигрыш. 2) Оптимизация слоёв Docker Каждый RUN, COPY, ADD - это новый слой. Много мелких инструкций = раздув образа. Правило: - объединяй связанные команды - удаляй временные файлы в том же RUN Меньше слоёв - меньше вес - быстрее сборка. 3) .dockerignore - бесплатная оптимизация, которую часто забывают Без .dockerignore в build context улетает всё: - .venv - .cache - .git - временные файлы Это: - увеличивает размер контекста - замедляет сборку - иногда ломает кеширование .dockerignore должен быть всегда. Без исключений. 4) Multi-stage build - must-have для продакшена Одна из самых мощных техник. Идея простая: - stage 1 - сборка, компиляция, зависимости - stage 2 - только то, что нужно для запуска В финальном образе: - нет build-инструментов - нет лишних библиотек - только runtime Результат: - меньше размер - меньше уязвимостей - быстрее старт Итоговый эффект: - 588 MB -> 47.7 MB - −91.89% размера - быстрее CI - быстрее деплой - дешевле инфраструктура Главный вывод: маленькие оптимизации накапливаются. Каждый сэкономленный мегабайт: - ускоряет каждый pull - ускоряет каждый deploy - масштабируется вместе с вашей системой @Python_Community_ru

🎧 Модель аудиоразмышлений Step-Audio-R1 Step-Audio-R1 — первая аудиомодель, которая преодолевает проблему "обратного масштабирования", улучшая производительность при увеличении вычислительных ресурсов. Используя метод MGRD, модель фокусируется на акустическом анализе, что позволяет ей эффективно обрабатывать аудиоданные. 🚀 Основные моменты: - Успешно решает проблему "обратного масштабирования" - Сравнима с Gemini 3 по аудиобенчмаркам - Инновационный подход к обучению через акустические особенности - Доступна для использования на Hugging Face и ModelScope 📌 GitHub: https://github.com/stepfun-ai/Step-Audio-R1 @Python_Community_ru

🤯💣 PYTHON ТРЮК ПО УСКОРЕНИЮ #python Совет по Python: если в цикле много обращений к атрибутам объекта или модуля — вынеси их в локальную переменную. Доступ к локалам работает быстрее, чем к атрибутам, поэтому такой приём иногда ускоряет код на 20–50 процентов. #медленно — каждый проход лезет в атрибут for i in range(10_000_000): x = obj.value #быстрее — сохрани ссылку заранее val = obj.value for i in range(10_000_000): x = val #ещё пример — кешируем функцию import math sqrt = math.sqrt for i in range(1_000_000): r = sqrt(i) @Python_Community_ru

‍📌 Андрей Карпаты написал ИИ-пайплайн для проверки IT-прогнозов десятилетней давности. Андрей опубликовал (https://karpathy.bearblog.dev/auto-grade-hn/) разбор своего нового пет-проекта. Он создал систему, которая анализирует архивные треды Hacker News и с помощью LLM проверяет, сбылись ли предсказания пользователей спустя 10 лет. Проект использует так называемые «послезнание» (hindsight), чтобы сравнивать старые комментарии с реальностью, выявлять визионеров и находить самые громкие ошибки. Технически решение представляет собой пайплайн, который собирает данные через API Algolia и обрабатывает их с помощью структурированного промпта. Тестовый прогон на 930 обсуждениях (месячный архив статей Hacker News) занял около часа и обошелся всего в 58 долларов. На выходе система генерирует статический сайт с «Залом славы» (https://karpathy.ai/hncapsule/) аналитиков и рейтингом точность прогнозов. Исходный вайб-код проекта, по традиции - в открытом доступе (https://github.com/karpathy/hn-time-capsule). @ai_machinelearning_big_data #AI #ML #LLM #Tutorial #Karpaty @Python_Community_ru

💀➡️ Большинство кодеров не знают про это ускорение в Python Одна из самых недооценённых оптимизаций в Python — вынесение повторяющихся вычислений в локальные переменные. Причина проста: доступ к локальной переменной в CPython *в 2–3 раза быстрее*, чем к глобальной или атрибуту модуля. Особенно важно в циклах и горячих участках кода. import math # Медленнее: math.sqrt вызывается через глобальное пространство имён def slow(nums): return [math.sqrt(x) for x in nums] # Быстрее: ссылка на функцию закэширована в локальной переменной def fast(nums): sqrt = math.sqrt return [sqrt(x) for x in nums] # Ещё пример: длину списка лучше сохранить локально def sum_fast(nums): total = 0 ln = len(nums) # локальная ссылка быстрее for i in range(ln): total += nums[i] return total @Python_Community_ru

🌍🤖 GigaWorld-0: Модели мира GigaWorld-0 - это унифицированная платформа для обучения Vision-Language-Action, использующая генерацию видео и 3D моделирование. Она обеспечивает создание разнообразных и реалистичных последовательностей, что делает её мощным инструментом для разработки эмбодированных ИИ. 🚀Основные моменты: - Интеграция видео и 3D генерации для физической реалистичности. - Поддержка текстовых подсказок для генерации видео. - Модели доступны на Hugging Face для быстрого старта. - Открытый исходный код с лицензией Apache 2.0. 📌 GitHub: https://github.com/open-gigaai/giga-world-0 #python @Python_Community_ru

📝 Редактирование PDF с помощью ИИ 🚀 Nano PDF - это CLI инструмент для редактирования PDF-документов с использованием естественных языковых запросов. Он позволяет изменять слайды, добавлять новые и сохранять текстовый слой благодаря OCR. Инструмент использует модель Gemini 3 Pro Image для быстрого и качественного редактирования. 🚀 Основные моменты: - Редактирование слайдов по текстовым командам - Генерация новых слайдов в стиле существующих - Поддержка многопоточной обработки - Сохранение текстового слоя PDF 📌 GitHub: https://github.com/gavrielc/Nano-PDF #python @Python_Community_ru

‍🖥 Django 6.0 вышел - крупное обновление фреймворка Вышел Django 6.0, и это одно из самых насыщенных обновлений за последнее время. Релиз добавляет функциональность, которую разработчики долго закрывали сторонними библиотеками или кастомными решениями. Что нового и действительно важно: Поддержка template partials из коробки Теперь Django умеет частичные шаблоны на уровне фреймворка. Это упрощает структуру HTML, повышает переиспользуемость и делает шаблоны чище и понятнее без лишних include-хаков. Нативный фреймворк для фоновых задач В Django появился встроенный механизм для background tasks. Для многих проектов это означает, что Celery или RQ больше не обязательны для базовых задач — отложенные и асинхронные операции можно реализовать стандартными средствами. Встроенная система Content Security Policy (CSP) Django 6.0 получил полноценную поддержку CSP. Это серьёзный шаг в сторону безопасности по умолчанию и защита от XSS и других атак без внешних middleware. Современный email API с нормальной Unicode-поддержкой Работа с email стала более предсказуемой и дружелюбной к Unicode, что особенно важно для международных проектов и сложных шаблонов писем. Жизненный цикл версий Django 5.2 больше не имеет mainstream-поддержки. Разработчикам рекомендуется переходить на 6.0, чтобы получать новые возможности, обновления безопасности и улучшения платформы. Django продолжает двигаться в сторону «batteries included», но делает это аккуратно и прагматично. Django 6.0 снижает зависимость от внешних библиотек, усиливает безопасность и делает повседневную разработку заметно удобнее. Это релиз, который стоит внимательно изучить и запланировать апгрейд. https://www.djangoproject.com/weblog/2025/dec/03/django-60-released/ @Python_Community_ru

🚀 PYTHON В DOCKER: УСКОРЯЕМ СБОРКУ! Если ваш Python-приложение в Docker работает медленно при старте или «греет» CPU, проблема часто в том, что Docker пересобирает зависимости каждый раз. Хитрый приём: замораживайте зависимости в отдельный слой и используйте .dockerignore, чтобы локальные файлы не ломали кеш. Так Docker перестаёт пересобирать pip-пакеты и старт проекта ускоряется в разы. для оптимизации Python-сборки FROM python:3.12-slim WORKDIR /app Слой с зависимостями (кешируется!) COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt Теперь копируем код (не ломает кеш pip) COPY . . CMD ["python", "main.py"] @Python_Community_ru

‍⚡ Git Cheatsheet - коротко и по делу Настройка git config --global user.name "Name" — задать имя git config --global user.email "email" — задать почту git config --list — показать настройки Старт git init — создать репозиторий git clone url — клонировать репо Стейджинг и коммиты git status — статус git add . — добавить все изменения git reset file — убрать из стейджа git commit -m "msg" — коммит git commit --amend — исправить последний коммит Ветки git branch — список git branch name — создать git checkout -b name — создать и перейти git branch -d name — удалить Merge и Rebase git merge branch — слить ветку git merge --abort — отменить git rebase branch — перебазирование История git log --oneline — компактная история git log --graph --all — граф git diff — показать изменения Откат git restore file — вернуть файл git reset --soft HEAD~1 — откатить коммит, сохранить изменения git reset --hard HEAD~1 — откатить и удалить изменения git clean -f — удалить лишние файлы Удалённые репозитории git remote -v — список git push origin branch — запушить git pull — получить изменения git fetch — только забрать Теги git tag — список git tag name — создать git push origin --tags — отправить теги Stash git stash — сохранить изменения git stash list — список git stash apply — применить Поиск и анализ git blame file — кто менял строки git grep "text" — поиск git bisect — бинарный поиск бага Продвинутое git cherry-pick commit — взять коммит git revert commit — отменить коммит через новый git submodule add url — добавить сабмодуль Полезно сохранить под рукой. @Python_Community_ru

📝 Как быстро объяснить проект коллеге, если не знаешь, с чего начать Иногда проще ответить на вопросы новичка, чем структурировать рассказ самому. Но когда сервис большой, а процессов много, легко запутаться: что упомянуть первым, какие детали важны, а что можно оставить на потом. Голосовой ИИ-помощник ГигаЧат подсказывает, как выстроить объяснение так, чтобы оно было понятным с первого раза. 📌 В итоге один короткий диалог превращается в ясное объяснение, которое не требует пересказывать всё снова. Слушаем! @Python_Community_ru

‍📌 Первые впечатления от системы фоновых задач в Django В свежем разборе объясняется, как Django наконец получает встроенный инструмент для фоновой обработки заданий без необходимости тянуть сторонние библиотеки вроде Celery. 🔹 Что это такое Django Background Tasks - новый официально поддерживаемый механизм для: - отложенного выполнения задач (delayed jobs), - периодических задач (cron-style), - асинхронной фоновой обработки в рамках приложения. 🔹 Почему это важно Раньше разработчикам приходилось выбирать сторонние решения (Celery, RQ, Dramatiq) с дополнительной инфраструктурой (Redis/RabbitMQ и т.п.). Теперь у Django будет собственный, простой и интегрированный способ: - выполнять задачи после ответа пользователю, - обрабатывать тяжёлые операции вне запроса, - запускать периодические задачи без внешних кронов. 🔹 Как это работает - Вы определяете задачу как обычную Python-функцию. - Django регистрирует её в очереди внутреннего раннера. - Фоновый воркер выполняет такие задачи по расписанию или сразу - без внешнего брокера. 🔹 Плюсы по сравнению с альтернативами ✔ встроенная интеграция с ORM и Django-экосистемой ✔ нет необходимости настраивать отдельный брокер ✔ ожидаемая простота и знакомый синтаксис для Django-разработчиков 🔹 О чём ещё в статье - примеры кода с определением фоновых задач; - как запускать и мониторить воркеры; - ограничения и когда всё же стоит использовать более мощные системы. 📌 В сумме: Django делает шаг к тому, чтобы базовая фонвая обработка стала простой и доступной из коробки - это ускоряет разработку и снижает операционную сложность для большинства проектов. https://roam.be/notes/2025/a-first-look-at-djangos-new-background-tasks/ @Python_Community_ru