50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
NVIDIA выпустила модель распознавания речи всего с 0.6 млрд параметров.
Она называется Nemotron-3.5-ASR.
- Поддерживает более 40 языков.
- Выдаёт результат в режиме реального времени через потоковый вывод.
- Может работать полностью на CPU, без GPU.
- Работает в 2.5 раза быстрее официального рантайма NeMo, при этом качество распознавания остаётся идентичным.
- Подходит для полностью офлайн-сценариев.
- Легко встраивается в пайплайны ИИ-агентов.
https://huggingface.co/nvidia/nemotron-3.5-asr-streaming-0.6b
👉 @PythonPortal
Как создать декоратор с аргументами через класс в Python 🐍
👉 @PythonPortal
Если хочешь серьёзно прокачать DSA (структуры данных и алгоритмы), посмотри этот цикл лекций
В нём около 90 часов материала по всем ключевым темам спортивного программирования, причём всё объясняется очень доступно и понятно.
Мне очень понравилось, как он преподаёт.
Ссылка : https://www.youtube.com/playlist?list=PLrS21S1jm43igE57Ye_edwds_iL7ZOAG4
👉 @PythonPortal
10 GitHub-репозиториев, которые стоит посмотреть AI-инженеру
1. Hands-On AI Engineering
Подборка AI-приложений и агентных систем с практическими кейсами использования LLM.
👉 github.com/Sumanth077/Hands-On-AI-Engineering
2. Hands-On Large Language Models
Полный код из книги Hands-On Large Language Models: от основ до файнтюнинга.
👉 github.com/HandsOnLLM/Hands-On-Large-Language-Models
3. AI Agents for Beginners
Бесплатный курс от Microsoft из 11 уроков по созданию AI-агентов.
👉 github.com/microsoft/ai-agents-for-beginners
4. GenAI Agents
Большая коллекция туториалов и реализаций агентных систем.
👉 github.com/NirDiamant/GenAI_Agents
5. Made With ML
Про разработку, деплой и поддержку production-ready ML-систем.
👉 github.com/GokuMohandas/Made-With-ML
6. Learn Harness Engineering
Практический курс по Harness Engineering для AI-агентов.
👉 github.com/walkinglabs/learn-harness-engineering
7. AutoResearch
Автономные циклы ML-экспериментов от Andrej Karpathy.
👉 github.com/karpathy/autoresearch
8. Designing Machine Learning Systems
Конспекты и материалы по книге Chip Huyen.
👉 github.com/chiphuyen/dmls-book
9. Awesome LLM Inference
Подборка материалов по инференсу LLM: Flash Attention, KV Cache, квантование и другое.
👉 github.com/xlite-dev/Awesome-LLM-Inference
10. LLM Course
Практический курс по LLM с roadmap и Colab-ноутбуками.
👉 github.com/mlabonne/llm-course
👉 @PythonPortal
Если часто работаешь с изображениями, скриншотами или сканами документов, вот полезная OCR-утилита для терминала.
Она использует Apple Vision Framework, поэтому всё распознавание выполняется локально на устройстве.
npx mac-ocr ./image.png
Python Docker Tutorials
На этой странице собраны все руководства по использованию Docker с Python.
https://realpython.com/tutorials/docker/
👉 @PythonPortal
Это исследование хорошо ложится на опыт любого, кто активно работает с Claude Code, Codex или другими агентами.
Оно смотрит не на бенчмарки, а на реальную работу в разработке:
как именно AI-агенты раздражают разработчиков в живых сессиях.
Авторы проанализировали 20 574 сессии (IDE и CLI). “Фейл” они определили не как падение кода, а как моменты, когда разработчик начинает исправлять, прерывать или спорить с агентом.
Картина довольно приземлённая. Чаще всего проблема не в том, что код не работает. Проблема в том, что агент нарушает явно заданные ограничения.
Ты пишешь: “не трогай этот файл”, “пока ничего не меняй”, “сделай минимальные правки” — он всё равно лезет дальше.
Просишь объяснить проблему — он параллельно начинает менять код.
Говоришь проверить всё перед финальным ответом — он рапортует успех до запуска проверок.
Есть интересное разделение:
CLI-агенты чаще нарушают границы, потому что им дают длинные, слабо ограниченные задачи.
IDE-агенты чаще делают локальные ошибки, потому что работают как плотный “копилот” и постоянно правят код в мелких итерациях.
Самое неприятное в этих сбоях — они редко ломают систему сразу. Они просто съедают время и доверие. Приходится постоянно перепроверять: понял ли он задачу, не вышел ли за рамки, реально ли он что-то проверил.
Это хорошо совпадает с практикой: утомляет не столько генерация кода, сколько постоянный контроль над тем, не уехал ли агент в сторону.
И отсюда простой вывод. Улучшение агентов — это не только про качество кода. Это про соблюдение границ, понимание намерений и честную отчётность о прогрессе.
Главная проблема тут не в скорости написания кода. А в том, сколько времени уходит на разбор того, что он “написал не туда”.
👉 @PythonPortal
Часто вижу, как люди говорят, что в IT невозможно войти без дорогих курсов.
При этом огромное количество качественных материалов доступно бесплатно:
📚 Computer Science
https://github.com/ossu/computer-science
📚 Data Structures & Algorithms
https://github.com/jwasham/coding-interview-university
📚 System Design
https://github.com/donnemartin/system-design-primer
📚 Web Development
https://github.com/TheOdinProject/curriculum
📚 Frontend / Backend / DevOps / Cloud
https://github.com/kamranahmedse/developer-roadmap
📚 Data Engineering
https://github.com/DataTalksClub/data-engineering-zoomcamp
📚 Machine Learning & AI
https://github.com/microsoft/ML-For-Beginners
📚 MLOps
https://github.com/DataTalksClub/mlops-zoomcamp
📚 Cybersecurity
https://github.com/OWASP/CheatSheetSeries
📚 Linux
https://github.com/trimstray/the-book-of-secret-knowledge
📚 Free Programming Books
https://github.com/EbookFoundation/free-programming-books
В Python есть несколько способов получить MAC-адрес компьютера. Вот один из них:
#Python
👉 @PythonPortal
38 лет в Computer Science считалось, что алгоритм Дейкстры уже близок к пределу для разреженных графов.
Логика выглядела убедительно:
• Дейкстра упорядочивает вершины по расстоянию
• для сортировки существует нижняя граница O(n log n)
• значит, задачу кратчайших путей нельзя решить существенно быстрее
Оказалось, что это предположение было ошибочным.
Группа из 5 исследователей объединила очередь с приоритетом из алгоритма Дейкстры с динамическим программированием из алгоритма Беллмана—Форда. Затем они применили подход «разделяй и властвуй» к множествам вершин и сократили размер фронта поиска. Результат: O(m log^(2/3) n)
Это первое улучшение для направленных графов со времён появления Fibonacci Heap в 1987 году.
Участники работы: Тsinghua, Stanford и Max Planck Institute.
Всего 17 страниц.
👉 @PythonPortal
Эта статья заставила меня пересмотреть многие разговоры про «ИИ заменит программистов».
Похоже, мы смотрим не туда.
Большинство обсуждений крутится вокруг продуктивности. Агенты пишут код быстрее, разработчики делают больше задач, команды выпускают больше фич.
Меня зацепила другая мысль из статьи.
Вся современная разработка строится на том, что мы заранее кодируем решения. Бизнес-логика, правила, алгоритмы, state machine, if-else.
По сути, мы пытаемся заранее предсказать ситуацию и зашить своё решение в код.
У агентных систем другая модель работы.
LLM принимает решения во время выполнения задачи. Если нужен код, агент генерирует его на лету, запускает, получает результат и идёт дальше.
Код постепенно превращается в расходный материал, а не в главный артефакт системы.
Последние 50 лет центром любой системы был код.
Теперь всё чаще центром становится цикл рассуждений модели, а код оказывается одним из инструментов внутри этого цикла.
Если этот тренд продолжится, ценность инженера всё больше будет смещаться в сторону проектирования ограничений для агентов.
Проверки. Верификация. Бюджеты действий. Условия остановки. Границы доступа.
Именно эти вещи определяют, что агенту разрешено делать и насколько его решениям можно доверять.
👉 @PythonPortal
Пособие Path to Senior Engineer Handbook собрало ресурсы для разработчиков, которые хотят вырасти до уровня Senior Engineer.
Внутри:
Более 50 рассылок по профессиональному росту, системному дизайну, лидерству и веб-разработке.
Подборка книг по коммуникации, техническому письму и построению рабочих отношений.
Отобранные YouTube-каналы, подкасты и профессиональные сообщества.
Курсы, научные статьи и образовательные платформы для более глубокого изучения тем.
Хорошая отправная точка для тех, кто хочет прокачивать не только технические навыки, но и архитектурное мышление, коммуникацию и лидерские компетенции.
👉 @PythonPortal
Сколько сервисов вы используете для работы с нейросетями?
Один — для текста, второй — для изображений, третий — для кода. Плюс отдельные подписки, разные оплаты и десятки вкладок.
Polza.ai объединяет всё это в одном месте.
Это агрегатор нейросетей, где собраны сотни ИИ-моделей и провайдеров — как зарубежных, так и российских. Тексты, код, изображения, видео и аудио доступны через единый кабинет.
Работать можно через API или в удобной Нейростудии — без сложной настройки и лишней технической рутины.
Внутри платформы есть прозрачная аналитика: видно все запросы, используемые модели, расходы и стоимость каждого действия. Можно сравнивать провайдеров, выбирать оптимальные решения под свои задачи и полностью контролировать бюджет.
Оплата в рублях, единый баланс, автопополнение и полная история списаний избавляют от лишней бухгалтерии. А для команд предусмотрены роли, управление доступами, счета и закрывающие документы.
🔶Polza.ai — один кабинет для всей работы с ИИ. Без хаоса из сервисов, подписок и оплат.
На Reddit кто-то собрал все ресурсы, которые использовал для подготовки к собеседованиям по алгоритмам, System Design и Machine Coding. В итоге дошёл до интервью в Google.
1. Алгоритмы и паттерны
Перед тем как гриндить задачи, стоит разобраться с паттернами.
• All LeetCode Articles on Coding Patterns Summarized
https://leetcode.com/discuss/interview-question/5366542/all-leetcode-articles-on-coding-patterns-summarized-in-one-page
• Solved All Two Pointers Problems in 100 Days
https://leetcode.com/discuss/study-guide/1688903/Solved-all-two-pointers-problems-in-100-days
• Tree Question Pattern 2023 — Tree Study Guide
https://leetcode.com/discuss/study-guide/2879240/tree-question-pattern-2023-tree-study-guide
• Important and Useful Links from All Over LeetCode
https://leetcode.com/discuss/general-discussion/665604/Important-and-Useful-links-from-all-over-the-LeetCode
• Coding Interview Preparation Problems for Beginners
https://leetcode.com/discuss/interview-question/448284/Coding-Interview-preparation-problems-for-beginners
2. Подготовка под компании
• Google, Meta, Apple, Amazon Senior SDE Preparation
https://prachub.com/?sort=hot&company=Meta%2CGoogle%2CTikTok%2CAmazon
• A Study Guide for Passing the Google Interview
https://prachub.com/interview-guide
Автор также сделал небольшой трекер для подготовки:
• задачи по компаниям
• статусы Todo / Solved / Revision
• автоматическое планирование повторений
• AI-помощник с подсказками вместо готовых решений
https://prachub.com/questions
3. System Design (HLD)
Вместо случайных статей — структурированные подборки:
• Arch 25 — самые частые системы и паттерны
• Arch 50 — инфраструктура, данные и отказоустойчивость
• Arch 75 — более сложные сценарии и специализация под компании
• Arch All — полный банк из 103 HLD-задач
• Core Concepts — 33 разбора распределённых систем
4. Machine Coding / LLD
Эту часть многие недооценивают до первого провала на интервью.
• MaCo 30 — самые частые задачи
• MaCo 60 — расширенная подборка
• MaCo All — полный набор из 103 задач
• Design Patterns — 31 паттерн проектирования
Если готовишься на SDE2/Senior, то одного LeetCode обычно уже недостаточно. System Design и LLD начинают влиять на результат не меньше, чем алгоритмы.
👉 @PythonPortal
Artificial Analysis открыла исходный код Stirrup — фреймворка для Python-разработчиков, создающих AI-агентов.
Самая болезненная часть обычно начинается не с первого вызова модели.
Проблемы появляются вокруг инструментов, файлов, контекста, клиентов провайдеров и выполнения кода.
Stirrup старается решить именно эту часть, оставаясь лёгкой основой без навязывания жёсткого пайплайна или архитектуры.
Из интересного:
агентный цикл с finish-tools
сессии для управления жизненным циклом инструментов и файлов
локальное выполнение кода и веб-инструменты из коробки
поддержка выполнения кода через Docker и E2B
MCP, skills, мультимодальный ввод и интеграция с LiteLLM
В этой компании амбиции встречают поддержку
Сегодня советуем канал про работу в Selectel — компании, где нет жестких рамок. Только инженерное творчество, свобода экспериментировать и хардкорные задачи, которые пушат рынок.
Selectel — провайдер ИТ-инфраструктуры с собственными дата-центрами, технологиями и хардкорными продуктами. А в своем канале ребята рассказывают про то, как и кто всё это создает: живые кейсы, рабочие практики, контент про развитие софтов и полезные инструменты, которые легко забрать себе.
Что советуем почитать у ребят:
• Пет-проекты сотрудников Selectel — от CTF-площадки до Minecraft-сервера
• Что было дальше — квест про будни разработчика
• Все идет по cronу — или нет?
• А ты точно разработчик? Про собеседования в эпоху AI
Контент разный, но годный — много технических разборов с примерами, внутренней кухни реальных проектов и дайджестов техконтента. Подписывайтесь, чтобы не пропустить новые посты (и свежие вакансии — говорят, у ребят хорошо).
Реклама. АО "Селектел". erid:2W5zFHSi76H
Матрицы Дирака (чаще называемые гамма-матрицами) — это набор матриц, введённых Полем Дираком при создании уравнения Дирака.
Они играют ключевую роль в квантовой механике и квантовой теории поля, особенно при описании частиц со спином 1/2, таких как электрон.
Paul Dirac — один из крупнейших физиков-теоретиков XX века. Он внёс фундаментальный вклад в развитие квантовой механики и квантовой электродинамики и считается одним из основателей современной теоретической физики.
Работы Дирака привели к появлению релятивистской квантовой теории электрона и предсказанию существования антиматерии задолго до её экспериментального обнаружения.
👉 @PythonPortal
Этот инструмент проверяет производительность всего сайта.
Он сканирует все страницы и выставляет оценку каждой из них.
Что-то вроде Lighthouse, но с обзором всего сайта целиком.
Запуск:
npx unlighthouse --site <ваш-сайт>
Если ты давно используешь Claude Code или Codex для разработки проектов, стоит попробовать Trellis.
Назвать его самым близким к «памяти проекта для ИИ» решением на сегодняшний день — не преувеличение.
Многие замечают, что со временем ИИ начинает работать менее надёжно. Обычно первым делом пытаются перейти на более мощную модель или писать ещё более длинные промпты. Но проблема часто не в модели. Каждый новый запуск начинается практически с чистого листа: структуру проекта, соглашения по именованию, выбранный стек технологий и текущее состояние работы приходится объяснять заново.
Trellis решает эту проблему на уровне проекта.
Он создаёт каталог .trellis/, где хранит правила команды, задачи, прогресс и накопленные знания о проекте. Всё это коммитится в репозиторий вместе с кодом. Когда ИИ подключается к работе, он сначала читает эти данные и сразу понимает, какие правила соблюдать, на каком этапе находится проект и над чем нужно работать дальше.
По сути, проект получает собственную долговременную память. Передача задач между сессиями перестаёт быть болезненной, независимо от того, какой агент продолжает работу.
Причём Trellis — это не просто хранилище контекста. Он предлагает полноценный рабочий процесс: сначала уточнение требований, затем реализация, после этого самопроверка по правилам проекта и тестам, а в конце сохранение нового опыта обратно в проект для будущих сессий.
Есть и менее известные возможности.
Для сложных задач Trellis может самостоятельно разбивать работу на подзадачи и запускать несколько параллельных ИИ-агентов без конфликтов между ними.
В командной разработке правила, созданные одним разработчиком, автоматически начинают применяться всеми агентами остальных участников команды. Новые разработчики получают единый контекст практически без дополнительной настройки.
Trellis не привязан к конкретному инструменту. Он поддерживает 14 платформ для ИИ-разработки, включая Claude Code, Codex, Cursor и другие.
Использовать ИИ без дополнительной памяти — примерно как каждый день нанимать нового умного подрядчика, который ничего не помнит о вчерашней работе.
С Trellis ИИ начинает работать так, будто у проекта появилась команда, которая помнит накопленный опыт и придерживается общих правил.
Open Source-проект. На данный момент — более 9000 звёзд на GitHub и свыше 5000 загрузок в неделю.
GitHub: https://github.com/mindfold-ai/trellis
👉 @PythonPortal
Google опубликовала бесплатное руководство по масштабированию ИИ-моделей и работе с GPU.
📘 How to Scale Your Model
https://jax-ml.github.io/scaling-book/
📘 How to Think About GPUs
https://jax-ml.github.io/scaling-book/gpus/
В материалах разбираются принципы масштабирования моделей, устройство GPU, вычислительные ограничения, пропускная способность памяти, параллелизм и другие темы, которые пригодятся при обучении и запуске современных ИИ-моделей.
Полностью бесплатно и доступно онлайн.
👉 @PythonPortal
Foundations of Computer Science от Alfred Aho и Jeffrey Ullman доступна бесплатно онлайн.
Классический учебник по информатике, который охватывает:
• конечные автоматы
• формальные языки
• теорию вычислений
• основы алгоритмов и вычислительных моделей
Хорошая отправная точка для тех, кто хочет разобраться в фундаментальных концепциях Computer Science, лежащих в основе компиляторов, языков программирования и теории вычислений.
Книга:
http://infolab.stanford.edu/~ullman/focs.html
#computerscience #book #theory #cs
👉 @PythonPortal
⚡️Джуны и мидлы, общий сбор!
Пришел вас порадовать, если вы хотите прокачаться в теме параллелизма.
В школе Python разработки Pytex 16 июня в 19:00 по МСК пройдет открытый урок с Senior-разработчиком Артёмом Шумейко.
На уроке разберётесь:
🟢почему async/await сам по себе не делает приложение быстрым
🟢где проходит граница между корутинами, потоками и процессами
🟢как защищать базу данных от лавины одинаковых запросов
🟢как работают Single Flight и распределённые блокировки
🟢как координировать несколько воркеров при работе с внешними API
🟢как использовать очереди и батчинг событий, чтобы не увеличивать latency
🟢как правильно выносить тяжёлые операции в фоновые задачи
Посмотрите на реальные проблемы, которые возникают в проде под нагрузкой, и на паттерны, которые используют команды для их решения.
ЗАПИСАТЬСЯ НА ОТКРЫТЫЙ УРОК
Это абсолютно бесплатно, поэтому регистрируйтесь и качайте харды ⬆️
А больше про параллелизм в Python читайте в этом канале
Google выпустила Gemini 3.5 Live Translate — новую модель для голосового перевода в реальном времени.
Поддерживает более 70 языков и начинает переводить практически сразу после того, как вы заговорили. Перевод идёт потоково, пока модель продолжает слушать следующую часть фразы.
Как это работает?
Модель постоянно балансирует между скоростью и качеством перевода. Она одновременно обрабатывает входящую речь, понимает контекст и генерирует перевод без заметных пауз.
В результате задержка составляет всего несколько секунд, а перевод сохраняет темп речи, интонацию и особенности голоса даже в длинных диалогах.
Уже доступно в Google Translate на iOS и Android.
👉 @PythonPortal
Наткнулся на пост от автора Ruff (очень быстрого линтера и форматтера для Python)
Он пишет, что редко смотрит технические доклады, но "A Practical Guide to Applying Data-Oriented Design" от Andrew Kelley оказал на него большое влияние.
Причём впервые он посмотрел этот доклад примерно тогда, когда начинал работать над Ruff.
Иногда один хороший доклад даёт больше пользы, чем десятки часов случайных видео на YouTube. 😊
👉 @PythonPortal
По слухам, OpenAI готовит что-то вроде единого приложения вокруг ChatGPT.
Если утечки окажутся правдой, в одном месте могут объединить:
• ChatGPT — для работы с текстом, исследованиями, планированием и повседневных задач
• Codex — для программирования, отладки, автоматизации и разработки приложений
• Atlas — браузер с агентными возможностями для работы с сайтами и веб-сервисами
• Computer Use — агентов, которые могут работать с полноценным рабочим столом и приложениями
Если посмотреть на это со стороны, то идея уже не выглядит как «ещё один чат-бот».
Скорее как попытка собрать всё в одном интерфейсе.
Вместо отдельных приложений для поиска, кода, браузера и автоматизации — одна точка входа, через которую можно искать информацию, писать код, работать с сайтами и запускать задачи.
Интересно будет посмотреть, насколько далеко OpenAI действительно пойдёт в этом направлении.
👉 @PythonPortal