50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Использовать mocap-костюм, чтобы робот пнул тебя по яйцам, звучит как идеальная метафора для финала 2025.
👉 @PythonPortal
Генерируй сортируемые ID экспериментов с UUID v7 из Python 3.14
UUID4 выдаёт чисто рандомные идентификаторы без хронологического порядка.
Без встроенного таймстемпа тебе приходится заводить отдельное поле с временем и городить свою сортировку по времени создания записей.
В Python 3.14 появился UUID версии 7 со встроенной упорядоченностью по времени.
Ключевые моменты:
• Порядок создания можно определить просто сравнивая два UUID напрямую
• Точное время создания можно вытащить из встроенного в UUID таймстемпа
import uuid
from datetime import datetime
# UUID v7 вшивает таймстемп для сортируемых ID
id1 = uuid.uuid7()
id2 = uuid.uuid7()
# Получить UUID
print(id1)
# '019a0da1-c3be-744e-9062-9cfa43dbfe41'
# Извлечь таймстемп в миллисекундах
print(id1.time)
# '1761165168875'
# Автоматическая сортировка по времени создания
id1 < id2
# True
Дрон, который стартует прыжком, как птица 🐦⬛️
Исследователи из EPFL собрали RAVEN: дрон по мотивам птиц, который умеет ходить, подпрыгивать и прыгать в момент взлета без полосы, катапульты и без помощи человека.
Вместо того чтобы считать ноги балластом, команда спроектировала легкие птичьи ноги, которые реально участвуют и в передвижении, и во взлете.
Дрон использует пружинно-моторные ноги, вдохновленные воронами, за счет чего он может проходить по неровной местности, запрыгивать на возвышения и эффективно “выстреливать” себя в воздух.
Энергия накапливается и высвобождается за счет гибких пальцев и пружин, работающих как сухожилия, на ногах. При размахе крыльев 1 метр дрон может пройти метр за четыре секунды, прыгнуть на 26 см и перепрыгивать щели шириной 12 см.
По сравнению со статическим запуском, взлет с использованием ног подбрасывает его почти на 50 см при скорости вперед 2,2 м/с, и это дает примерно в 10 раз лучшую энергоэффективность.
👉 @PythonPortal
Создавай Python-пакеты за пару секунд с uv init --package
Python-пакеты позволяют вынести код в переиспользуемые модули и шарить их между проектами.
Обычно это возня с setuptools, настройка билд-системы и разбор всей этой кухни с дистрибуцией.
UV, быстрый установщик и резолвер зависимостей для Python, упрощает всё до двух команд:
• uv init --package сразу поднимает структуру пакета
• uv build и uv publish собирают и отправляют пакет на PyPI
Полная статья: https://bit.ly/3Jyqtok
👉 @PythonPortal
FastPython
Это официальный репозиторий FastPython на GitHub. FastPython — проект про повышение производительности Python за счет практичных, drop-in паттернов и техник оптимизации. Локальные переменные, меньше обращений к атрибутам, микротюнинг горячих функций
Обещает ускорить код без переписывания всего приложения 😋
👉 @PythonPortal
❗ Пора отвлечься от хотфиксов на приятные хлопоты ❗
Время забирать подарки — годовые подписки на Облако Mail и VK Музыку.
Чтобы посоревноваться за подарки:
🔹 подпишитесь на наш канал @backendhubvk
🔹 нажмите кнопку «Участвовать»
🔹 почитайте по ссылке информацию об организаторе, правилах и призах
🔹 дождитесь 30 декабря — в этом посте мы выберем случайным образом 6 победителей
Тем временем: китаец сделал мусорку с авто-наведением на бросок 😰
👉 @PythonPortal
Сделай идеальное резюме, не возясь с шаблонами.
Пишешь контент в YAML и генерируешь PDF.
Проект называется RenderCV, он с открытым исходным кодом
👉 @PythonPortal
ML-инженерам: NVIDIA выпустила гайд для новичков по fine-tuning LLM с помощью Unsloth.
В гайде разбирают:
- методы обучения: LoRA, FFT, RL
- когда и зачем делать fine-tuning, реальные use-case’ы
- сколько данных и VRAM требуется
- как обучать локально на DGX Spark, RTX-видеокартах и не только
Гайд: https://blogs.nvidia.com/blog/rtx-ai-garage-fine-tuning-unsloth-dgx-spark/
👉 @PythonPortal
NZT существует.
В фильме «Области тьмы»
герой выпивает NZT — и за день
становится трейдером,
мастером кунг-фу и полиглотом.
Дело не в таблетке.
А в состоянии.
Химия не нужна.
Когда ум чист,
внимание собрано,
и сомнений нет —
ты уже на NZT.
Ты замечаешь всё.
Действуешь без разрывов.
И мир отвечает тебе.
Как включить режим NZT?
Подписывайся на Мэверика.
• входи в состояние
всё «получается само».
• мгновенно принимай
лучшие решения.
• считывай сложные связи
там, где все видят хаос.
• управляй фокусом
и вероятностями событий.
Твоя таблетка NZT.
👇
Мэверик.
Ясность. Точность.
ㅤ
Проекты на PyTorch
Плейлист, который помогает изучать PyTorch через работу над продвинутыми проектами.
👉 @PythonPortal
«Да, я программист, как ты догадался?»
Как он стоит:
👉 @PythonPortal
ИТ-специалисты, слушающие, как не-ИТ-специалисты говорят о компьютерах
👉 @PythonPortal
А что если можно ускорить Python в 37 раз одной строкой кода?
Медленные Python-функции в больших кодовых базах страшно оптимизировать. Можно попробовать Numba или Cython, но Numba в основном работает только с числовым кодом и NumPy-массивами.
Можно пойти в Cython, но там нужны .pyx-файлы, аннотации типов и сборка. По факту это часы рефакторинга, прежде чем ты вообще увидишь прирост. 😬
Codon решает это одной строкой: декоратор codon.jit компилирует твой Python прямо в машинный код.
Ключевые плюсы:
• Работает с любым Python-кодом, не только с NumPy
• Аннотации типов не нужны, типы выводятся автоматически
• Скомпилированные функции кэшируются и потом вызываются мгновенно
• Никаких изменений в коде, кроме добавления декоратора
Выше реальные замеры производительности:
• Чистый Python: 0.240 с
• Первый вызов Codon: 0.324 с (разовая компиляция)
• Повторные вызовы Codon: 0.006 с (ускорение в 37 раз)
Ссылка на репозиторий: https://bit.ly/4q8SW3q
Запустите этот код: https://bit.ly/492cz6D
👉 @PythonPortal
Давай соберем динамическую память для AI-агентов на графах знаний и RAG всего в 6 строк кода, шаг за шагом (100% локально).
Когда ты шлёшь в агента большие объёмы данных, это часто приводит к раздутию контекста и галлюцинациям.
Чтобы агенты были надежными, нужен способ связать данные между собой и зафиксировать базовые «ground truth», которые повышают точность в многошаговых диалогах.
Именно это и делает Cognee.
Он помогает строить динамическую память для AI-агентов, заменяя RAG на масштабируемые модульные ECL-пайплайны (Extract, Cognify, Load).
Давай пройдемся по настройке по шагам:
Шаг 1: Data ingestion
В этом примере мы просто прокинем строку текста в Cognee и превратим её в память для ИИ.
Но ты не ограничен только текстом: можно кормить документы, файлы или любые другие источники данных, чтобы собрать knowledge graph.
Дальше можно дергать search() и ходить в него с обычными текстовыми запросами.
Шаг 2: Memify
Теперь добавляем функции памяти. Они работают поверх семантического слоя (knowledge graph), связывают точки и улучшают поиск.
Memify полностью кастомизируется и может использовать любые преобразования, которые ты напишешь.
Шаг 3: Наконец, добавляем Feedback Loops
Cognee поддерживает непрерывное улучшение за счёт механизма обратной связи: он фиксирует, насколько полезны и релевантны результаты поиска по реальным сообщениям пользователей.
Со временем получается обучающаяся система, которая адаптируется под твои задачи и предпочтения.
Cognee сделан под память агентов. Он превращает документы, чаты и файлы в knowledge graph, по которому любая LLM может рассуждать.
Можно запускать локально, в том числе через интерактивные ноутбуки.
Он на 100% опенсорс. 😱
👉 @PythonPortal
Я люблю таких вайб-кодеров
спасибо за все халявные API-ключи
чел получил четыре предупреждения «не пушить в паблик»
и все равно выкатил туда 💀😂
👉 @PythonPortal
Ты должен увидеть мои мегапиксели 😅
👉 @PythonPortal
С 35-летием, WorldWideWeb, первый браузер!
25 декабря 1990 года в CERN британский физик и интернет-первопроходец Тим Бернерс-Ли сделал первый в мире веб-браузер под названием WorldWideWeb.
Потыкать эмулятор браузер 👌
👉 @PythonPortal
Преобразуй сложные регэкспы в нормальный читаемый Python-код с Pregex
Шаблоны вроде [a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,} выглядят пугающе и плохо читаются. Команде без опыта в регулярках сложно понять и править такие валидации.
Pregex разворачивает regex в понятный питоновский код из описательных компонентов.
Что получаем:
• Код сам объясняет намерение, даже без комментариев
• Можно править без знаний регэкспов
• Компонуешь паттерны для сложной валидации
• При необходимости обратно экспортируешь в обычный regex
Инструмент open source. Установка: pip install pregex
Полная статья: https://bit.ly/3IWAE5O
Запустите этот код: https://bit.ly/4hdQjKM
👉 @PythonPortal
Что вы будете делать в этой ситуации?
👉 @PythonPortal
Этот GitHub-репозиторий — не свалка туториалов.
Внутри 28 продакшен-готовых AI-проектов, которые можно использовать.
Что там есть:
Проекты по машинному обучению
→ Прогноз цен на Airbnb
→ Калькулятор стоимости авиабилетов
→ Трекер успеваемости студентов
AI для медицины
→ Детекция заболеваний грудной клетки
→ Предсказание сердечных заболеваний
→ Анализ риска диабета
Генеративные AI-приложения
→ Живой чат-бот на Gemini
→ Рабочий медицинский ассистент
→ Инструмент анализа документов
Проекты по компьютерному зрению
→ Система трекинга рук
→ Приложение для распознавания лекарств
→ Реализации на OpenCV
Дашборды для анализа данных
→ Аналитика e-commerce
→ Аналитика ресторанов
→ Трекер статистики по крикету
И ещё 10 продвинутых проектов скоро:
→ Детекция дипфейков
→ Классификация опухолей мозга
→ Система оповещения о сонливости водителя
Это не просто набор файлов с кодом.
Это end-to-end рабочие приложения.
Посмотреть репозиторий 😲
👉 @PythonPortal
В Source Control в VS Code теперь отображаются Git stash’и
Скрытые stash’и наконец-то стали нормально управляемыми.😁
👉 @PythonPortal
AI-компании фиксируют, что около 300 ТБ музыки было публично «заархивировано».
👉 @PythonPortal
Извлечение структурированных данных из анкет пациентов с помощью DSPy и CocoIndex.
Получай чистые, типизированные структурированные данные прямо из PDF с валидацией через Pydantic.
Читать гид: начать
👉 @PythonPortal
1 грамм микросхемы RAM стоит дороже, чем 1 грамм 16-каратного золота.
👉 @PythonPortal
Игра "Tennis for Two", созданная в 1958 году физиком Уильямом Хигинботэмом , которую часто называют первой видеоигрой, в которой для интерактивного игрового процесса использовался осциллограф
👉 @PythonPortal
Превратите любой авторегресcивный LLM в диффузионную языковую модель.
dLLM — это Python-библиотека, которая объединяет обучение и оценку diffusion-LM.
С её помощью можно превратить любой авторегресcивный LLM в diffusion-LM с минимальными вычислительными затратами.
Проект полностью open source. 👌
Почему это важно:
Классические авторегресcивные модели генерируют текст слева направо, по одному токену за раз.
Диффузионные модели работают иначе » они итеративно уточняют всю последовательность целиком.
В итоге:
- больше контроля над качеством генерации
- гибкое редактирование текста
- меньше ограничений, связанных с порядком генерации
👉 @PythonPortal