Python вопросы с собеседований

без подписи

без подписи

без подписи

One Day Offer для Python-разработчиков!💚 15 августа открываем двери в команду Agent Execution Framework ⚡️ Коллеги создают платформу для GenAI‑агентов в банке — делают так, чтобы ИИ реально работал в серьёзных финпроцессах: с безопасностью, нагрузкой и пользой. Чем предстоит заниматься: ✔️ развивать backend на Python ✔️ подключать LLM, инструменты, базы знаний и RAG ✔️ строить пайплайны оценки качества агентов ✔️ участвовать в архитектуре и ревью кода Встречаемся 15 августа онлайн. Регистрируйся по ссылке

🔥 За одну неделю вышло сразу 6 интересных open-weight моделей Пока все ждут веса Kimi K3 и Ling 3.0, Sebastian Raschka обновил свою LLM Architecture Gallery свежими релизами. И там есть несколько необычных решений. 1. Nanbeige 4.2 3B Берёт один стек из 22 Transformer-блоков и прогоняет его дважды. Получается эффективная глубина 44 блока без удвоения весов: больше compute, но почти тот же parameter footprint. 2. Laguna S 2.1 118B MoE, всего 8B активных параметров и контекст 1M токенов. Poolside позиционирует её для долгих coding-agent задач, причём модель помещается на одном DGX Spark. 3. Motif 3 Beta 314B-A13B MoE с новой Grouped Differential Latent Attention: latent-compression внимания дополняется группировкой heads и механизмом подавления «шума». 4. Solar Open 2 250B-A15B от Upstage. Архитектура чередует 3 linear-attention слоя и 1 GQA, что помогает довести контекст до 1M токенов. 5. Antares 1B Маленькая security-модель Cisco на базе Granite 4.0. Её дообучили через SFT + GRPO для поиска уязвимых участков кода через терминал. Хороший пример того, насколько далеко можно увести специализированную модель всего на 1B параметров. 6. BTL-3 Всего лишь rank-32 LoRA поверх Qwen3.6-27B, заточенная под coding agents и structured tool calling. Авторы заявляют 88,5% на BFCL v4 AST и 95,12% HumanEval pass@1. Open-weight экосистема сейчас интересна именно разнообразием архитектур: looped transformers, sparse MoE, linear attention, специализированные SLM и обычные LoRA-адаптеры развиваются одновременно. Все схемы и сравнения: https://sebastianraschka.com/llm-architecture-gallery/

«Сэр… всё кончено. Китайцы выложили веса Kimi K3 в открытый доступ» Moonshot AI опубликовала Kimi K3 на Hugging Face — мультимодальную MoE-модель с 2,8 трлн параметров, из которых на токен активируются около 104 млрд. Что внутри: контекст до 1 млн токенов; работа с текстом и изображениями; длительные агентные задачи и вызов инструментов; программирование, исследование репозиториев и работа с терминалом; нативная квантизация MXFP4. На Terminal-Bench 2.1 авторы заявляют 88,3 балла, а на FrontierSWE — 81,2. Результаты получены в собственном агентном окружении Kimi Code, поэтому сравнивать их нужно с учётом harness. Веса доступны по лицензии Kimi K3 License. Это уже не экспериментальная модель «для посмотреть», а открытый 3T-класс, который можно разворачивать через vLLM или SGLang.

🐍 Python-совет: как объединить списки разной длины Обычный zip() прекращает работу, когда заканчивается самый короткий список: x = [1, 2, 3, 4, 5] y = ["a", "b", "c"] print(list(zip(x, y))) # [(1, "a"), (2, "b"), (3, "c")] Чтобы сохранить все элементы, используйте zip_longest() from itertools import zip_longest print(list(zip_longest(x, y))) # [(1, "a"), (2, "b"), (3, "c"), (4, None), (5, None)] Для пустых позиций можно указать своё значение: result = zip_longest( x, y, fillvalue="нет значения", )``` Полезно при объединении таблиц, колонок и данных из источников разной длины. #Python #Programming #DataProcessing

One Day Offer: заходи в команду, которая двигает финансы на терабайтах данных! 🔥 На связи блок «Финансы» в Сбере! Мы строим системы, которые автоматизируют казначейство, риск‑менеджмент, отчётность — и добавляем AI для точных прогнозов. На One Day Offer мы хотим найти коллег сразу в 3 продуктовые команды. Базовый стек и уровень задач одинаковы — выбирай направление по душе: ✔️ BigData: Spark (batch+streaming), сложные SQL‑оптимизации, DWH/Data Lake. ✔️ Микросервисы: Python (FastAPI/Django), API, интеграции с системами. От тебя ждём: Python от 5 лет, экспертный SQL, PySpark, SOLID/asyncio, HDFS/Kafka. 👉 Регистрируйся по ссылке. Встречаемся 8 августа!

🐍 Python-совет: когда `deque` лучше обычного списка collections.deque — двусторонняя очередь, оптимизированная для быстрых операций с обоих концов. from collections import deque queue = deque(["a", "b", "c"]) queue.append("d") # добавить справа queue.appendleft("z") # добавить слева queue.pop() # удалить справа queue.popleft() # удалить слева У deque добавление и удаление с краёв выполняются за O(1). У списка операция pop(0) требует сдвига остальных элементов и работает за O(n). Ещё одна полезная возможность — циклический сдвиг: queue.rotate(1) # сдвиг вправо queue.rotate(-1) # сдвиг влево Подходит для очередей задач, скользящих окон, буферов и алгоритмов обхода графов.

Один из лучших курсов со Stepik - Rust для тех, кто уже пишет прод 🦀 Когда начинаешь думать не только «работает ли код», но и что происходит с памятью, аллокациями, потоками и ошибками под нагрузкой - Rust становится особенно интересным. На курсе разберёшь язык через реальные механики: ownership, borrowing, lifetimes, traits, generics, error handling, модули, тесты и сетевое программирование. После каждого блока - код и задача с автопроверкой. Подойдёт разработчикам на Go, C++, Java, Python, JavaScript и других языках. ⚡ Старт сразу 💻 Упор на практику Освой Rust так, чтобы после курса открыть новый проект и реально понимать, что пишешь и почему это работает: https://stepik.org/a/294885/

Python-сервис не должен падать вслед за чужим API Interlock - современная реализация circuit breaker для Python. Она временно блокирует обращения к нестабильному сервису, а затем аккуратно проверяет, восстановился ли он. Синхронный и асинхронный код поддерживаются одним классом. Вместо примитивного подсчёта ошибок подряд библиотека умеет оценивать долю сбоев в скользящем окне - по числу запросов или времени. Медленные вызовы тоже можно считать ошибочными. Для сложных сценариев есть resilience pipeline = ( Pipeline.builder() .fallback(lambda exc: []) .retry(attempts=4) .circuit_breaker(breaker) .bulkhead(8) .timeout(2.0) .build() ) Порядок стратегий задаётся явно: timeout, bulkhead, circuit breaker, повторные попытки и запасной ответ. Также доступны интеграции с FastAPI, Litestar, HTTPX, aiohttp, Requests, Redis и OpenTelemetry. Состояние breaker можно синхронизировать между несколькими процессами, а при недоступности Redis библиотека временно возвращается к локальному состоянию. Ядро не требует внешних зависимостей, декораторы сохраняют типы и сигнатуры функций, лицензия — MIT. Проект молодой, поэтому проверенные годами pybreaker и circuitbreaker по-прежнему могут быть безопаснее для консервативного продакшена. Но для rate-based окон, контроля медленных запросов и составных политик отказоустойчивости Interlock выглядит интересно. https://github.com/bagowix/interlock

🚀 ИИ-агент ускорил SQLite до 59% меньше чем за 8 часов Ускорить SQLite хотя бы на 5% уже было бы серьёзным результатом. Это один из самых зрелых и оптимизированных проектов в мире — его команда почти 20 лет выжимает из кода каждую долю производительности. Но AI-агент KISS Sorcar менее чем за 8 часов и с затратами меньше $150 добился заметного ускорения сразу в нескольких типах нагрузки. Результаты: - 2,06× быстрее в официальном speedtest1 (~30 тыс. операций) - 1,90× в TATP — транзакционная OLTP-нагрузка - 1,30× в Star Schema Benchmark — аналитические запросы - 1,25× в kvtest — работа с BLOB и дисковым I/O Агент нашёл места, где стандартная конфигурация SQLite несла лишние расходы — особенно при записи транзакций на диск. После этого он: - изменил код и настройки - прогнал бенчмарки - проверил свои же изменения на ошибки - сохранил совместимость с существующими тестами анализ зрелой кодовой базы → поиск узких мест → изменение реализации → бенчмарки → проверка собственных решений. GitHub: https://github.com/ksenxx/sqlite-optimized/ #AI #SQLite #Programming #CodingAgents #Performance #OpenSource

🚀 Neo4j без сервера: GraphForge запускает полноценный Cypher прямо внутри Python-скрипта GraphForge занимает редкую нишу между NetworkX и серверными графовыми БД. Вы получаете встроенный графовый движок на Rust, полный openCypher и хранение проекта в обычной директории. Что внутри: - четыре независимых слоя на Rust: parser → IR → planning → execution; - результаты сразу возвращаются как Apache Arrow Table; - данные легко передаются в Pandas и Polars; - постоянное хранение построено на Parquet; - встроены PageRank, Louvain и гибридный текстово-векторный поиск; - Python- и Node.js-биндинги работают поверх одного движка. from graphforge import GraphForge graph = GraphForge("research/") result = graph.execute(""" MATCH (a)-[:CITES]->(b) RETURN a.title, b.title """) print(result.to_pandas()) При этом GraphForge честно позиционируется как инструмент исследовательского и notebook-масштаба. Для миллиардных графов, высокой нагрузки и многопользовательского доступа по-прежнему нужна серверная БД. Python и Node.js доступны сейчас, Swift и Kotlin находятся в планах. Лицензия — Apache 2.0. https://github.com/CurateLabs/graphforge #RustLang #Python #OpenSource #GraphDatabase #DataScience #KnowledgeGraph

🔥 PyTorch Monarch теперь поддерживает AMD GPU через ROCm Monarch позволяет управлять распределённым обучением на сотнях GPU из одной Python-программы. Вместо ручной координации процессов разработчик работает с акторами и группами устройств, а runtime берёт оркестрацию на себя. Главное преимущество - отказоустойчивость. Если один узел выходит из строя, исправные реплики продолжают обучение. Система перезапускает повреждённую группу, восстанавливает её состояние и возвращает в работу без полного рестарта кластера. Поддержка ROCm включает: - Actor runtime и supervision trees - шардирование тензоров - RCCL и RDMA - SLURM, Kubernetes и SkyPilot - интеграцию с TorchTitan и TorchFT Подход протестировали на кластерах из 128 AMD MI300 и 256 MI355 GPU. Даже при искусственно вызванных сбоях обучение продолжалось почти так же стабильно, как в обычном запуске. Для команд, обучающих большие модели, это означает меньше потерянных вычислений, простоев и дорогих перезапусков инфраструктуры. Подробнее: https://pytorch.org/blog/bringing-pytorch-monarch-to-amd-gpus-single-controller-distributed-training-on-rocm/

✔️ Liquid AI выпустила локального агента, который работает на телефоне LFM2.5-2.6B - компактная агентная модель на 2,6 млрд параметров. Она умеет планировать действия, вызывать инструменты и выполнять многошаговые задачи полностью на устройстве, без облачного API. Модель обучили примерно на 34 трлн токенов, расширили словарь до 128 тысяч токенов и добавили контекст 128K. Особенно интересно устроено дообучение: - отдельные модели-эксперты усиливали математику, код, tool use и длинный контекст; - затем их навыки перенесли в одну модель через on-policy distillation; - финальный этап прошёл внутри реальных агентных сред, включая Hermes Agent и OpenClaw. По тестам Liquid AI, модель выдаёт: - до 220 токенов/с на Apple M5 Max; - до 113 токенов/с на Ryzen AI Max+ 395; - около 30 токенов/с на смартфоне; - почти 15 000 выходных токенов/с на одной H100 при высокой параллельной нагрузке. При этом потребление памяти на CPU остаётся ниже 2,5 ГБ. В бенчмарках LFM2.5-2.6B обходит более крупные Gemma и Qwen в ряде задач на следование инструкциям и использование инструментов. В сложном программировании большие модели пока сохраняют преимущество. Есть поддержка llama.cpp, MLX, vLLM, SGLang и ONNX. Доступны базовая и дообученная open-weight версии. Источник: https://www.liquid.ai/blog/lfm2-5-2-6b #LiquidAI #opensource @ai_machinelearning_big_data

Открыли регистрацию на E-CUP 2026 Students 🎓 В этом сезоне — только для студентов. Будет интересно тем, кто изучает ML / DS / big data / аналитику данных. Сможете ускорить модель по поиску дубликатов на 20%? Получится создать классификатор для модерации товаров? Сумеете предсказать поведение покупателя? Как минимум — попробуете и получите фидбэк от тех, кто делает это в Ozon Tech каждый день. Как максимум — разделите призовой фонд в 7 200 000 ₽ в торжественной атмосфере конференции E-CODE. Нетривиальные задачи, нетворк с ведущими специалистами индустрии, кастомный мерч и шанс масштабно усилить портфолио — это про E-CUP 2026 Students. Больше подробностей и регистрация ↩️

без подписи

⚡️ Как узнать количество CPU в Python одной строкой Для этого не нужны сторонние библиотеки — всё есть в стандартном multiprocessing: import multiprocessing print(multiprocessing.cpu_count()) Например: 8 Но есть важный нюанс: функция обычно возвращает количество логических процессоров, доступных системе, а не обязательно число физических ядер. То же самое можно получить через: import os print(os.cpu_count()) Это особенно полезно, когда нужно автоматически подобрать количество worker-процессов: workers = multiprocessing.cpu_count() Но запускать N workers только потому, что у CPU есть N потоков, не всегда оптимально. Для CPU-bound задач количество процессов обычно подбирают экспериментально, а для I/O-bound архитектура может быть совсем другой. Маленькая функция, но часто полезна при настройке multiprocessing, worker pools и параллельных вычислений. #Python #Programming #Multiprocessing #Backend

🔴 Завтра тестовое собеседование на Middle Python с разработчиком из Авито Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

Главный секрет bool: он на самом деле int Складываю True и True, получаю 2 Складываешь два True в Python и получаешь 2. Не баг и не магия: bool наследуется от int, поэтому True это единица, а False это ноль. Минута, и ты больше никогда не удивишься sum по списку булевых значений. #python