Python RU

🔥 9B-модель на 7 ГБ, которая по тестам автора лезет на территорию 27B На Hugging Face вышла Qwen3.5-9B The Defiant Fable от DavidAU. Это многоэтапный fine-tune Qwen3.5-9B с упором на reasoning, instruction following, код и creative-задачи. Модель распространяется под Apache 2.0, а автор также позиционирует её как uncensored/heretic-версию с минимальными отказами. Самое интересное в результатах. По собственному набору из семи бенчмарков автор заявляет, что 9B-версия обходит базовые Qwen3.5-9B, Qwen3.5-27B и Qwen3.6-35B-A3B, а местами приближается к Qwen3.6-27B. Причём сильные результаты сохраняются даже после 4-bit квантования. Это пока именно авторские тесты, а не независимый leaderboard. Для локального запуска уже готовы обычные и MTP GGUF с NEO IMATRIX. Q4_K_M занимает примерно 6,8-7 ГБ, IQ3_M около 5,6 ГБ, а экстремальный IQ2_M всего 4,94 ГБ. Контекст у базовой архитектуры до 262K токенов. Запускать можно через llama.cpp, Ollama, LM Studio, vLLM и другие локальные рантаймы, а через llama.cpp сразу поднимается OpenAI-compatible API. Если независимые тесты подтвердят цифры, это хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning, merge и квантованием. #AI #Qwen #LLM #LocalAI #GGUF

🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе. 63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета. Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента. Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере. Для тех, кто уже пишет на Python и устал от демок. 72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921

🐍 Распаковка списков и кортежей в Python Значения последовательности можно сразу распределить по переменным: a, b, c = (1, 2, 3) a, b, c = [1, 2, 3] В обоих случаях результат одинаковый: ```python a == 1 b == 2 c == 3 Количество переменных должно совпадать с количеством элементов, иначе Python вызовет ValueError. Чтобы собрать оставшиеся значения, используйте *: first, *middle, last = [1, 2, 3, 4, 5] # first = 1 # middle = [2, 3, 4] # last = 5 Распаковка также позволяет поменять значения местами без временной переменной: a, b = b, a

Rust, который наконец становится понятным 🦀 Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли? Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы. Ты разберёшь: Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой. 🔥 Rust с нуля 🔥 5–6 часов в неделю 🔥 Практика после каждого урока 🔥 Подойдёт после Python, JavaScript, Java и других языков 🔥 Можно начать сразу В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага. Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/

👣 Освой Rust и начни писать код, которому можно доверять Хочешь перейти от Python, JavaScript или Java к быстрому системному программированию? Начни с Rust. За курс ты пройдёшь путь от основ до уверенной разработки: Ownership и Borrowing → структуры → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код. 🔥 После каждого урока — тесты и задача с автоматической проверкой. ⚡ Можно начать сразу. ⏱ Всего 5–6 часов в неделю. 🎯 Rust заранее знать не нужно. В результате ты поймёшь, как управлять памятью без GC, избегать целого класса ошибок ещё на этапе компиляции и писать быстрые сервисы, утилиты и backend на Rust. Хватит откладывать Rust «на потом». Начни писать на нём уже с первого занятия. Эксклюзивно 36 часов скидка 55%: https://stepik.org/a/294885/pay?promo=d20c21b24473c78f

Веб-исследовательский агент в пяти строках Python В Haystack 3.0 агенты стали центральной частью фреймворка. Готовый Deep Research Agent ищет информацию в интернете и возвращает отчёт в Markdown с источниками. Также доступен преднастроенный агент для продвинутого RAG. Agent Hooks позволяют контролировать вызовы модели и инструментов, добавлять guardrails и human-in-the-loop. Skills загружаются по мере необходимости, экономя контекст. Pipeline и AsyncPipeline объединили: теперь синхронный запуск, async, параллельные вызовы инструментов и стриминг доступны через единый API. Встроенная интроспекция показывает расход токенов, число шагов и вызовов инструментов.

Локальный ИИ-бот в Telegram без единой подписки и API-ключа

🔥 Хочешь расти в IT быстрее? Собери себе нормальное окружение В IT выигрывает не тот, кто «когда-нибудь разберётся», а тот, кто каждый день видит новые инструменты, задачи, разборы, вакансии и идеи. Собрал папки и каналы, где можно быстро прокачиваться по нужному направлению. Основные направления: AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: t.me/DevopsDocker Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/java_library JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: @courses ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max python: https://max.ru/pythonl Max Ai: https://max.ru/ai_machinelearning_big_data ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.

Кто-то разобрал Claude Code почти до винтика learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры. Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги. Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции. https://github.com/justxor/Claudecourse/

DeepSeek собрали гайд по подключению своих моделей к coding tools Полезная находка для тех, кто хочет использовать DeepSeek не в отдельном чате, а прямо внутри привычных инструментов. В репозитории есть инструкции для: * Claude Code * Cline * Codex * GitHub Copilot * Cherry Studio * Crush * OpenCode * Qwen Code * DeepSeek-TUI * других agent/coding-assistant инструментов Каждый гайд проходит базовый путь: установка, конфиг, первый запуск. Идея простая: можно быстро подключить DeepSeek-V4-Pro или V4-Flash к своему рабочему процессу и проверить, насколько хорошо они тянут агентное кодинг-окружение. github.com/deepseek-ai/awesome-deepseek-agent

Стать Королем Пиратов или Королем Вайбкодинга? Выбор за тобой

Wagtail как Django admin на стероидах Хороший разбор для Django-разработчиков: Wagtail можно использовать не только как CMS, но и как более удобную админку для обычных Django-моделей. Смысл простой: Django admin быстро даёт UI вокруг моделей, но кастомизация часто превращается в боль. Wagtail даёт более современный интерфейс, нормальную работу с полями, группировку через panels, роли, permissions, rich text, media library, versioning и редакторские workflow. При этом не нужно переписывать проект под CMS-логику. Wagtail ставится как обычный Django-пакет, добавляется в INSTALLED_APPS, подключается в urls.py, а бизнес-логика, views, forms и templates остаются обычными Django. Самый практичный случай использования : взять существующий admin.py, перенести модели в Wagtail snippets и постепенно заменить старую админку там, где нужен интерфейс, который не стыдно показать клиенту. Для внутренних тулзов, CRM, backoffice и контентных разделов это может быть намного приятнее, чем бесконечно допиливать стандартный Django admin. https://timonweb.com/wagtail/wagtail-as-django-admin-on-steroids/

🖥 Python-трюк: `iter()` умеет работать как цикл до стоп-сигнала Многие знают iter() только для списков, но у него есть второй режим: iter(callable, sentinel) Он вызывает функцию снова и снова, пока она не вернёт sentinel. Например, читать большой файл кусками без while True: with open("video.mp4", "rb") as f: for chunk in iter(lambda: f.read(8192), b""): process(chunk) Что происходит: • lambda читает по 8192 байта • когда файл закончится, read() вернёт b"" • цикл сам остановится Выглядит мелко, но это чистый и питоновский способ убрать вечные: while True: chunk = f.read(8192) if not chunk: break Редкая штука, которую приятно знать.

Один декоратор в Python может убрать сотни лишних запросов В Python есть встроенный кэш, о котором часто забывают: lru_cache из functools. Он запоминает результат функции и при повторном вызове с теми же аргументами не считает всё заново. from functools import lru_cache @lru_cache(maxsize=128) def get_user(user_id: int): print("Идём в базу...") return load_user_from_db(user_id) get_user(42) # запрос в базу get_user(42) # результат из кэша Где полезно: 1. дорогие вычисления 2. парсинг конфигов 3. API-запросы 4. рекурсивные алгоритмы 5. справочники и метаданные Есть и продвинутые фишки: get_user.cache_info() get_user.cache_clear() Первое покажет hit/miss статистику, второе очистит кэш. Главное помнить: lru_cache хорош для чистых функций, где результат зависит только от аргументов. Для случайных данных, времени, прав доступа и часто меняющейся базы лучше не использовать вслепую.

Один из главных мифов вокруг ИИ-кодинга: достаточно найти правильный промпт — и модель начнет писать хороший код Но на практике два разработчика могут отправить одинаковый запрос: «создай API для пользователей» — и получить совершенно разный результат. Один получит аккуратный FastAPI-сервис с типами, тестами и обработкой ошибок. Другой — код, который придется переписывать после первого изменения. Причина часто не в модели. LLM (большие языковые модели) не знает, как устроен ваш проект: какие архитектурные решения приняты, какие стандарты действуют и что команда считает качественным результатом. Поэтому стоит выстраивать вокруг ИИ тот же инженерный слой, который уже есть в обычной разработке: правила проекта, чек-листы, автоматические проверки и понятные критерии качества. На бесплатном вебинаре karpovꓸcourses «ИИ-агенты и профессиональная разработка на Python» Алексей Жиряков покажет вживую, почему ИИ-код ломается в реальных проектах и как это исправлять. Алексей — исполнительный директор в Сбере, занимается развитием генеративного ИИ, а до этого более 15 лет работал в backend-разработке и руководил инженерными командами. Будет живое демо поверх готового репозитория: как настроить процесс, получить более чистый типизированный код и использовать продакшен-подход вроде связки «дешевая модель пишет — дорогая ревьюит», которая помогает снижать стоимость генерации. Присоединяйтесь по ссылке, а после регистрации вы получите гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента»: https://clc.to/erid_2W5zFHoKYJV Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHoKYJV

OpenAI выпустила полную версию GPT-5.5-Cyber — своей самой продвинутой модели для авторизованной защитной кибербезопасности. Новая модель набрала 85,6% на CyberGym и обошла: • Mythos 5 — 83,8% • раннюю версию GPT-5.5-Cyber — 81,9% • GPT-5.5 — 81,8% • GPT-5.4 — 79,0% • Claude Opus 4.7 — 73,1% Главный акцент — не на «хакинге ради хакинга», а на легальной defensive security: анализе уязвимостей, проверке систем, аудите кода и помощи security-командам. https://x.com/sama/status/2069121360744550796

Больше никаких ожиданий: зеркало PyPI на GitVerse! ⚡️ Python‑пакеты теперь на российской платформе GitVerse, а это значит — скорость и стабильность вышли на новый уровень. Зависимости стали быстрее, а пайплайны больше не завязаны на доступность внешнего PyPI — звучит как мечта! Смотрите, как подключить зеркало, тестируйте и ставьте его как основной источник или держите как резерв!

🐍 Python Парсинг: Большой продвинутый бесплатный курс Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики. https://github.com/justxor/Pythonparsing-/tree/main