50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Мы рады представить Pocket TTS — text-to-speech модель на 100 млн параметров с качественным голосовым клонированием, которая запускается прямо на ноутбуке без GPU. Открытая, лёгкая и очень быстрая.
Ускорение процесса решето Эратосфена
1. Быстро вспомним алгоритм
Классическая реализация:
def eratosthenes(n):
is_prime = [True] * (n + 1)
is_prime[0] = is_prime[1] = False
for i in range(2, int(n ** 0.5) + 1):
if is_prime[i]:
for j in range(i * i, n + 1, i):
is_prime[j] = False
return is_prime
def eratosthenes_odd(n):
if n < 2:
return []
size = (n + 1) // 2
is_prime = [True] * size
is_prime[0] = False
limit = int(n ** 0.5) // 2
for i in range(1, limit + 1):
if is_prime[i]:
p = 2 * i + 1
start = (p * p) // 2
for j in range(start, size, p):
is_prime[j] = False
return is_prime
def eratosthenes_bytearray(n):
is_prime = bytearray(b"\x01") * (n + 1)
is_prime[0:2] = b"\x00\x00"
for i in range(2, int(n ** 0.5) + 1):
if is_prime[i]:
for j in range(i * i, n + 1, i):
is_prime[j] = 0
return is_prime
def eratosthenes_fast(n):
if n < 2:
return []
size = (n + 1) // 2
is_prime = bytearray(b"\x01") * size
is_prime[0] = 0
limit = int(n ** 0.5) // 2
for i in range(1, limit + 1):
if is_prime[i]:
p = 2 * i + 1
start = (p * p) // 2
is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)
return is_prime
n = 10_000_000:>>> eratosthenes.py
real 0.634s
>>> eratosthenes_odd.py
real 0.245s
>>> eratosthenes_bytearray.py
real 0.801s
>>> eratosthenes_fast.py
real 0.028s
is_prime[start::p] = b"\x00" * (((size - start - 1) // p) + 1)
Каждый раз, когда я узнаю что-то новое в области технологий, в отрасли появляется еще три новых вещи, которые нужно изучить.
👉 @PythonPortal
Сейчас ИИ-инструменты уже умеют читать сообщения, размышлять над ними и сами дергать нужные функции.
Для сборки таких связок есть LangChain — популярный фреймворк, который позволяет подружить языковые модели, инструменты и приложения.
В этом туториале показывают, как собрать и задеплоить своего ИИ-агента на связке LangChain, FastAPI и Sevalla.
👉 @PythonPortal
Эти Google Colab-ноутбуки помогают реализовать все алгоритмы машинного обучения с нуля 🤯
👉 @PythonPortal
Для новичков подгон: бесплатный онлайн-курс по программированию на Python
На сайте можно прямо в браузере запускать код, решать задачки и изучать основы языка шаг за шагом
Начинай прокачку 👍
👉 @PythonPortal
С кодом у тебя всё ок.
Если что-то не работает — смотришь логи, находишь баг, фикcишь.
А с женщинами ощущение, будто:
— документации нет
— поведение недетерминированное
— один и тот же input → разный output
— вчера работало, сегодня — игнор
Ты вроде нормальный парень.
Не токсик. Не дурак. Не бедный.
По логике этого должно хватать.
Но система не сходится.
Ты общаешься — вроде без ошибок.
А в ответ холод, странные реакции или «давай как-нибудь потом».
Самое бесячее — ты не понимаешь, где именно происходит краш.
Со временем я понял простую вещь:
в отношениях и общении с женщинами другая архитектура.
Не интуиция. Не магия.
Просто другие правила, которые никто не объяснил.
В этом канале я разбираю это как систему:
что реально влияет, где ты теряешь контроль,
и как перестать действовать методом тыка.
Если ты привык дебажить, а не гадать — оставайся. Тут будет полезно: /channel/+uQXO7pjLeD9jOGRi
Meta-agent фреймворк для построения высокопроизводительных multi-agent систем.
ROMA — это open-source meta-agent фреймворк для создания агентов с иерархическим выполнением задач.
Он использует рекурсивную иерархическую архитектуру:
задачи декомпозируются на подзадачи, агенты обрабатывают подзадачи, а результаты агрегируются вверх по дереву.
Всё для того, чтобы упростить разработку сложных агентных workflow, сделав декомпозицию задач, координацию и трассировку более управляемыми.
Ключевые компоненты:
Atomizer — определяет, является ли задача атомарной (можно выполнить сразу) или требует планирования
Planner — разбивает неатомарные задачи на подзадачи
Executor — выполняет атомарные задачи через LLM, API или даже других агентов
Aggregator — собирает результаты подзадач и объединяет их в итог родительской задачи
Рекурсивный цикл выглядит так:
solve(task) → decompose → solve(subtasks) → aggregate results
Фреймворк на 100% open-source.
👉 @PythonPortal
Друг: Как ты узнал, что это был вайбкодинг?
Код друга:
👉 @PythonPortal
Отслеживание людей в реальном времени с Ultralytics YOLO11 🚶♂️
Модель присваивает ID объектам и точно трекает их перемещение между кадрами. Подходит для анализа толп, подсчёта присутствия и умных систем видеонаблюдения.
Читать дальше ➡️ https://bit.ly/3XSyh7L
👉 @PythonPortal
Этот репозиторий ужимает 60 миллионов текстовых чанков со 201 ГБ до каких-то 6 ГБ без потери точности.
Это реально меняет правила игры.
* 201 ГБ превращаются в 6 ГБ (минус 97%)
* Без облака
* Без GPU, работает прямо на обычном ноуте
* Полная приватность
* Полностью open-source
LEANN это open-source векторная база, которая сжимает RAG-индексы примерно на 97% за счет графовой рекомпозиции и вычисления эмбеддингов по запросу.
👉 @PythonPortal
Гарвард выложил в открытый доступ свой учебник по ML-системам. Штука максимально прикладная: не только про то, как тренировать модели, а как собирать продакшн-системы вокруг них — то, что реально решает.
Темы там прям топ:
> сборка autograd, оптимизаторов, attention и мини-PyTorch с нуля, чтобы понять, как фреймворк устроен изнутри. (это вообще кайф)
> базовые вещи по DL: батчи, точность вычислений, архитектуры моделей и тренировка
> оптимизация производительности ML, ускорение на железе, бенчмаркинг, эффективность
То есть это не просто вводный курс по ML, а полный цикл от старта до боевого применения. Уже сейчас можно читать книгу и смотреть код бесплатно. На 2025 год это один из самых сильных учебников, что выходили, так что лучше не пропускать.
Репозиторий тут, ссылка на книгу внутри 👏
👉 @PythonPortal
Анализируй свой инвестиционный портфель в пару строк на Python 👍
Если ты когда-нибудь пытался разобрать портфель как пет-проект, то знаешь, насколько муторно склеивать всё из разных Python-библиотек.
ffn закрывает весь пайплайн анализа портфеля в одном пакете с API, похожим на Pandas.
Основные фичи:
• Подтягивает котировки прямо из Yahoo Finance
• Считает доходность и метрики риска автоматически
• Помогает подобрать оптимальное распределение активов
• Строит графики сравнения и корреляций по производительности
Вот репозиторий
Пример запуска
👉 @PythonPortal
Лучшие библиотеки Python 2026 года
Общего назначения
▪️ty — сверхбыстрый type checker нового поколения
▪️complexipy — измеряет сложность кода так, как её чувствует человек
▪️Kreuzberg — извлечение данных из 50+ форматов
▪️hrottled-py — rate limiting с 5 алгоритмами
▪️httptap — HTTP waterfall прямо в терминале
▪️ fastapi-guard — безопасность FastAPI без боли
▪️modshim — расширяй модули без monkey-patching
▪️Spec Kit — спецификации → рабочий код
▪️Skylos — dead code + уязвимости
▪️FastOpenAPI — OpenAPI для любого фреймворка
AI / ML / Data
▪️MCP Python SDK + FastMCP — стандарт интеграции LLM с инструментами
▪️TOON — JSON, оптимизированный под токены
▪️ Deep Agents — агенты с планированием и памятью
▪️ smolagents — агенты, которые думают кодом
▪️ LlamaIndex Workflows — event-driven AI workflows
▪️ Batchata — дешёвые batch-запросы к LLM
▪️ MarkItDown — любые файлы → Markdown
▪️ Data Formulator — анализ данных через natural language
▪️ LangExtract — точное извлечение сущностей из текста
▪️ GeoAI — ML + геоданные без боли
Детально, с примерами и разбором — в полной статье
👉 @PythonPortal
Совет по Python:
Можно сделать поля dataclass неизменяемыми, указав frozen=True.
В таком случае поля нельзя мутировать после создания инстанса.
Пример ниже👇
from dataclasses import dataclass
@dataclass(frozen=True)
class Color:
name: str
hex_value: str
color = Color("red", "#FF0000")
# color.name = "blue" # выбросит FrozenInstanceError
кресло для программирования против кресла для отладки.
👉 @PythonPortal
4 парадигмы обучения в машинном обучении, объяснённые визуально:
1. Transfer Learning
2. Fine-tuning
3. Multi-task Learning
4. Federated Learning
👉 @PythonPortal
ML-инженеры это вам: интерактивный обучающий блок по математике для машинного обучения
Недавно там выложили ещё несколько блогов по основам матанализа для машинного обучения, с интерактивными симуляциями.
Среди тем:
- backprop и градиентный спуск
- локальные минимумы и седловые точки
- векторные поля
- ряд Тейлора
- якобиан и гессиан
- частные производные
Материал ориентирован именно на ML-контекст, с упором на наглядность и практическое понимание. ✌️
Тренируемся здесь
👉 @PythonPortal
Ежедневная тренировка гуманоидного робота Unitree 🥳
👉 @PythonPortal
Ты когда-нибудь просил LLM вернуть структурированные данные, а в ответ получал обычное предложение?
Без структурированных выходов ты работаешь с сырым текстом, который легко может не совпасть с ожидаемым форматом.
Неожиданные ответы, пропущенные поля или неправильные типы данных приводят к ошибкам, которые легко проскочить на этапе разработки.
PydanticAI использует модели Pydantic, чтобы автоматически валидировать и структурировать ответы LLM.
Ключевые плюсы:
• Типобезопасность во время выполнения за счёт валидированных Python-объектов
• Автоматические ретраи при провале валидации
• Прямой доступ к полям без ручного парсинга
• Интеграция с уже существующими Pydantic-воркфлоу
LangChain тоже умеет это делать, но PydanticAI — более лёгкая альтернатива, когда тебе нужны только структурированные выходы.
Установка PydanticAI: pip install pydantic-ai
Узнать больше
Запустить код
👉 @PythonPortal
Поделюсь Python-библиотекой для TUI. Опенсорсная, бесплатная.
С тех пор как в прошлом году Claude Code сделал TUI популярными, есть ощущение, что в этом году тема продолжит набирать обороты.
У библиотеки Textual уже из коробки есть кнопки, древовидные контролы, таблицы данных, поля ввода, текстовые области и прочее.
Плюс гибкая система лейаутов
Забираем тут 📖
👉 @PythonPortal
Все задания курса Stanford The Modern Software Developer теперь доступны онлайн.
Это первый полноценный университетский курс, который охватывает, как кодогенеративные LLM меняют каждый этап жизненного цикла разработки. Задания рассчитаны на то, чтобы провести тебя от новичка до уверенного специалиста в использовании ИИ для прокачки продуктивности в разработке.
Приятного изучения! ✌️
👉 @PythonPortal
Несколько часов назад представили: vmux
это утилита, которая запускает код в долго живущем контейнере на Cloudflare.
vmux run упаковывает и поднимает проект в контейнере и за пару секунд выдаёт превью-URL.
По сути, это замена для uv run: можно закрыть ноутбук, запустить тренировку/джобу, а потом вернуться и приконнектиться снова через tmux.
Вперёд, тестить!
Примеры 😕
👉 @PythonPortal
Это прям момент DeepSeek для голосового ИИ.
Chatterbox Turbo — голосовая модель с MIT-лицензией, которая обходит ElevenLabs Turbo и Cartesia Sonic 3.
- <150 мс до первого звука
- Клонирование голоса с 5 секунд аудио
- Паралингвистические теги для живой, человеческой подачи
И всё это полностью open-source.
👉 @PythonPortal
API — это узкое горлышко, а не решение.
ИИ-агенты не видят 95% веба, потому что у большинства сайтов просто нет API.
Порталы поставщиков, системы записи, региональные джобборды — у них нет dev-API.
Полезные данные спрятаны за логином, многошаговыми формами и интерфейсами, сделанными под людей, а не под машины.
Поэтому уже лет 25 всё упирается в одно и то же:
- Поисковики индексируют процентов пять интернета (ничего за аутентификацией)
- Ручной ввод данных или хрупкие скрейперы, которые падают от любого правки CSS
Эту проблему и закрывает Mino от TinyFish.
Это веб-автоматизация с API, которая может одновременно обходить сотни сайтов и превращать их в структурированные данные.
Ты отправляешь список URL и цель обычным текстом. На выходе получаешь JSON.
Подход отличается от типичных ИИ-агентов:
Большинство браузерных агентов используют vision-модели: делают скрин, думают что кликнуть, снова скрин — и так по циклу.
Каждое действие — отдельный вызов модели. Медленно и дорого.
Mino один раз учит структуру сайта, а потом исполняет всё детерминированным кодом. Первый прогон разбирает страницу. Все последующие — работают как точный код за миллисекунды.
Три базовые возможности:
→ Navigate — логины, формы, многошаговые сценарии
→ Extract — вытащить структурированный JSON из любой вёрстки
→ Execute — параллельный запуск 100+ сайтов в стелс-режиме
Производительность на уровне продакшена:
85–95% успеха на сложных сценария
10–30 секунд на задачу
Копейки за запуск
Работает за аутентификацией, обходит антибот-защиту и всегда возвращает чистый JSON.
Плюс можно подключить его MCP-сервер к клиентам вроде Claude Desktop. В видео есть разбор.
Пробуем 😎
👉 @PythonPortal
Роботы стали настолько точными, что могут проводить операции на яйце, не разбивая его. 😆
👉 @PythonPortal