Python/ django Telegram Channel Link

📱 35 млрд параметров на смартфоне с потреблением около 3 ГБ оперативной памяти.OpenBMB показала MiniCPM-V 4.7: мультимодальный ИИ, который локально читает вывески, разбирает документы и анализирует изображения и видео.Доступны две версии:• 35B-A3B: MoE-модель с 35 млрд параметров, из которых около 3 млрд активны при обработке токена.• 1B: компактный вариант для устройств с ограниченными ресурсами.Главная технология, Lookahead Expert Scheduling, заранее подгружает нужных экспертов из накопителя и совмещает загрузку с вычислениями. По данным команды, на iPhone 17 Pro Max модель выдаёт более 13 токенов в секунду.3 ГБ здесь означают память во время работы: веса модели хранятся отдельно на накопителе.Также открыли Self-Replay Fine-Tuning для обучения новым задачам с меньшим забыванием прежних навыков. Поддерживаются iOS, Android и HarmonyOS.https://github.com/OpenBMB/MiniCPM-V

⚡️ Overmind - open-source слой для автоматической оптимизации AI-агентов.Вместо ручного тюнинга он запускает эксперименты и помогает улучшать сразу несколько частей агента:- системные промпты- описания инструментов- выбор модели- pipeline и control flow- поведение агента на реальных задачахИдея в том, чтобы не гадать, какой prompt или model лучше, а системно тестировать варианты и оставлять те, которые реально дают прирост по метрикам. Проект позиционируется как supervision + fine-tuning layer для agentic AI и доступен как Python-пакет. Свежая версия 0.1.82 опубликована 1 октября 2026 года. :https://github.com/overmind-core/overmind

🖥 Python-дайджест недели: агенты с онтологией, рантайм-проверка типов и SQLite в продеСобрали самое полезное из свежего выпуска Python Hub.EvoOntology от RUC DataLab. Это самообновляющийся слой онтологии для дата-агентов: он связывает разнородные таблицы, файлы и базы, чтобы агент понимал, где какие данные лежат.https://github.com/ruc-datalab/EvoOntologyQuail. Опенсорсный AI-SQL движок, который оптимизирует план запроса вместе с LLM-инференсом. Авторы заявляют ускорение в среднем в 1,84 раза и до 14 раз относительно настроенного vLLM.https://fsdatalab.github.io/blog/introducing-quail/AI Engineering from Scratch. Бесплатный открытый курс по построению ИИ-систем с нуля, от математики до продакшена.https://aiengineeringfromscratch.com/index.htmlTaste-Bench. Бенчмарк проверяет, умеет ли агент в длинной задаче выбрать правильное направление в точке развилки. Как раз там агенты чаще всего и ломаются.https://github.com/wbopan/tastebenchlivenerf. Долгоиграющий бенчмарк, который отслеживает, не деградирует ли frontier-модель тихо после релиза.https://github.com/ninjahawk/livenerfСебастьян Рашка разбирает историю классификации текста от bag-of-words до LLM и объясняет, когда специализированный классификатор всё ещё выигрывает у большой модели.https://magazine.sebastianraschka.com/p/classifier-history-and-jevtype_enforced. Быстрая проверка аннотаций типов прямо в рантайме для Python 3.11+, без зависимостей.https://github.com/connor-makowski/type_enforceddjango-upgrade-report. Показывает, какие зависимости блокируют апгрейд Django и в каком порядке их обновлять.https://github.com/derblub/django-upgrade-reportНеобычный эксперимент Филипа Цукера: union-find на Python, который печатает доказательства для Lean.https://www.philipzucker.com/proof_uf/Ciaren. Визуальный ETL, который работает локально и экспортирует пайплайн в код на pandas или Polars. Пока альфа под AGPL-3.0.https://ciaren.com/На Reddit хорошо разобрали SQLite в продакшене: зачем включать WAL, как настроить busy_timeout и почему пишет один воркер.https://www.reddit.com/r/Python/comments/1wowf4q/sqlite_in_production_why_wal_mode_busy_timeout/И вечный холивар: жив ли ещё Flask или FastAPI окончательно победил.https://www.reddit.com/r/Python/comments/1wxkk8m/anyone_still_using_flask_or_has_fastapi/Из видео стоит глянуть обзор Pyrefly, статического тайпчекера от Meta.https://www.youtube.com/watch?v=lFA-zuZRG4QПолный дайджест: https://pythonhub.dev/digest/2026-10-11/@pythonl

🐍 Ротация прокси в Python может обходиться без списка IP и `random.choice()`Если провайдер поддерживает ротацию на шлюзе, скрипт обращается к одному адресу. Выходные IP меняет сам сервис по выбранному режиму. Именно такой подход разобран в статье.Минимальный пример проверки:import osimport requests# PROXY_URL: адрес шлюза с учётными даннымиproxy = os.environ["PROXY_URL"]proxies = {"http": proxy, "https": proxy}for _ in range(5): r = requests.get( "https://httpbin.org/ip", proxies=proxies, timeout=(5, 15), ) r.raise_for_status() print(r.json()["origin"])Нюанс: ключ "https" обозначает протокол целевого сайта. Сам адрес прокси при этом может начинаться с http://. Это корректная настройка для HTTP-прокси.Ещё важно различать два режима:• Ротация меняет выходной IP согласно настройкам провайдера. • Sticky session закрепляет IP на некоторое время.При этом requests.Session() сохраняет cookies и переиспользует соединения, но самостоятельно IP не меняет. Политику ротации нужно проверять у провайдера.https://unlimitedresidentialproxy.com/blog/how-to-rotate-proxies-python

Вышел Python 3.15: ленивые импорты, frozendict, UTF-8 по умолчанию и JIT, который наконец ускоряет кодСостоялся стабильный релиз Python 3.15. Над ним поработали 1012 контрибьюторов, в версию вошло 5643 коммита.Самое заметное для повседневной работы это явные ленивые импорты из PEP 810. Тяжёлые модули вроде torch или transformers теперь можно подгружать только в момент первого обращения, и CLI-утилиты и скрипты стартуют заметно быстрее. Ещё одно долгожданное изменение: UTF-8 наконец стал кодировкой по умолчанию на всех платформах, так что сюрпризы с open() на Windows уходят в прошлое.В языке появились встроенные типы frozendict и sentinel, а в генераторах списков и словарей теперь работает распаковка через звёздочку. Сообщения об ошибках снова стали понятнее.Экспериментальный JIT серьёзно доработали. На x86-64 Linux он даёт в среднем 7-8% прироста к стандартному интерпретатору, на Apple Silicon 11-12%. Официальные сборки под Windows перешли на tail-calling интерпретатор, а установщик для macOS по умолчанию ставит поддержку free-threading. Для сборок без GIL появился стабильный ABI, это откроет дорогу бинарным пакетам под многопоточный Python.Для тех, кто ищет узкие места в коде, в стандартной библиотеке появился отдельный пакет profiling и высокочастотный сэмплирующий профайлер Tachyon. Указатели фреймов теперь включены по умолчанию, и системные профайлеры видят Python-стек без танцев с бубном.В типизации добавили TypedDict с типизированными дополнительными ключами, TypeForm и disjoint bases.Один нюанс для маководов: на macOS 27.0 приложения на tkinter, включая IDLE, могут зависать при открытии диалогов. Если работаете с Tk, с обновлением системы лучше подождать.Бонус от Барри Уорсо: текстовый квест whatsnewt, где каждая из 18 головоломок решается реальной фичей 3.15. Запускается командой uvx --python 3.15 whatsnewt.https://uproger.com/python-3-15-chto-novogo/

🦙 Ollaya: запуск моделей принятия решений в стиле Ollama.Скачиваете модель, поднимаете локальный сервер и получаете через API категорию, оценку или вероятность «да». Без генерации текста и разбора ответа LLM.Подходит для сортировки обращений, модерации, определения намерений и маршрутизации запросов.Что есть:• Laya, Decider, NLI, GLiClass и другие модели.• Работа на CPU и GPU.• API, совместимый с TypeSafe.• MCP для подключения к Claude Code, Cursor и другим агентам.• Windows, Linux и macOS, включая Apple Silicon.Для старта без NVIDIA GPU автор рекомендует Laya. Есть мультиязычная версия с поддержкой более 100 языков.Проект написан на Rust, лицензия Apache 2.0. У самих моделей сохраняются собственные лицензии.https://github.com/ollaya-dev/ollaya

Python 3.15 почти готов: вышел RC3, финальный релиз 9 октябряPython 3.15.0rc3 вышел 2 октября. Третий кандидат понадобился из-за нескольких блокирующих багов в ленивых импортах, которые решили обязательно закрыть до релиза. Финальная версия ожидается 9 октября. ABI больше не изменится, так что мейнтейнерам библиотек самое время собирать колёса под 3.15.Главное, что войдёт в релиз:lazy import torch # PEP 810: модуль загрузится только при первом обращенииcfg = frozendict(lr=3e-4) # PEP 814: неизменяемый и хешируемый словарьflat = [*row for row in matrix] # PEP 798: распаковка прямо в генераторах списковЛенивые импорты вслепую ускоряют запуск CLI и скриптов, где тянется тяжёлый стек вроде torch или pandas. Для ML-кода это, пожалуй, самое заметное изменение.UTF-8 стал кодировкой по умолчанию на всех платформах, включая Windows, и проблема с open() без encoding= наконец уходит в прошлое.Ещё в релизе встроенный тип sentinel, новый семплирующий профайлер Tachyon в отдельном пакете для профилирования и улучшенные сообщения об ошибках. Экспериментальный JIT даёт 7–8% прироста на x86-64 Linux, а frame pointers включены по умолчанию, поэтому профилировать через perf станет проще.Для free-threaded сборок появился стабильный ABI, то есть шаг к Python без GIL в продакшене. В типизации добавили TypedDict с типизированными дополнительными ключами и TypeForm.Это всё ещё релиз-кандидат, так что в прод пока не стоит. Но погонять тесты своих проектов на нём самое время.https://www.python.org/downloads/release/python-3150rc3/@pythonl

🐍 Python Workers в Cloudflare вышли в GACloudflare официально сделала Python полноценным поддерживаемым языком для Workers. Теперь Python-код можно запускать в production на edge-инфраструктуре Cloudflare и напрямую связывать с Workers AI, R2, D1, Hyperdrive, Durable Objects, Queues и Workflows. Что добавили:- поддержка FastAPI, Django, Flask и других ASGI/WSGI-фреймворков;- нативные Python bindings без ручной конвертации объектов в JavaScript;- работа с PostgreSQL и MySQL через Hyperdrive;- поддержка сетевых библиотек и TCP-сокетов;- возможность запускать OpenAI SDK, LangChain и MCP прямо внутри Python Workers.Под капотом Python запускается через Pyodide/WebAssembly, а для пакетов с C/C++/Rust-расширениями Cloudflare продвигает стандарт PyEmscripten / PEP 783. Можно собирать на Python API, AI-агентов, MCP-серверы, RAG и event-driven пайплайны без отдельного сервера.Анонс Cloudflare - https://blog.cloudflare.com/python-workers-ga/

🎇Главная идея DevSecOps: безопасность перестаёт тормозить разработку.Вместо проверок «после релиза» всё встроено в пайплайн: код проходит SAST, контейнеры сканируются, инфраструктура проверяется на комплайенс. В итоге релизы выходят быстрее и при этом безопаснее.Этому и учит курс DevSecOps от Академии Codeby на практике:⏺️9 модулей, 48 занятий, 90% практики ⏺️Стек: Docker, Kubernetes, Terraform, Vault, Ansible, Prometheus ⏺️Финальный экзамен в стиле OSCP — только реальные задачи ⏺️Авторы — практики: внедрение Zero Trust, построение SOC, разработка DevSec-инструментов под Burp SuiteИнженеры, которые умеют встраивать безопасность в CI/CD, сегодня в дефиците на стыке ИБ и DevOps — компании поняли, что «сначала сделать, потом чинить» обходится дороже.👉 Запись на курс открыта до 15 октября➡️️️Программа и регистрация Бесплатная консультация — @CodebyAcademyBot

🐍 Какая зависимость держит ваш Django на старой версии?django-upgrade-report читает зависимости проекта, проверяет заявленную совместимость на PyPI и составляет план обновления:- Какие пакеты блокируют переход.- Что можно обновить заранее.- Что нужно обновлять одновременно с Django.- Где потребуется ручная проверка.Поддерживает lock-файлы uv, Poetry, PDM, Pipenv и requirements.txt. Подбирает минимальную подходящую версию пакета, чтобы сократить масштаб изменений.Запуск из папки проекта:uvx django-upgrade-reportОтчёт можно сохранить в HTML, Markdown или JSON и подключить к CI. Совместимость оценивается по метаданным пакетов, поэтому тесты проекта всё равно нужны.https://github.com/derblub/django-upgrade-report

🖥 Python-дайджест недели: PyPy 8 с Python 3.12, отладка None и фреймворки для агентовPyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython.https://pypy.org/posts/2026/09/pypy-v800-release.htmlnonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке.https://pypi.org/project/nonetrace/since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках.https://github.com/MohammadHijjawi97/since-cutoffHardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода.https://pytorch.org/blog/hardware-agnostic-models-in-vllm/Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках.https://digline.dev/blog/bad-evals-my-own/CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе.https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bhИз проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов.https://github.com/strands-agents/harness-sdkhttps://github.com/confident-ai/deepteamДля обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов.https://github.com/anuj0456/OpenArchhttps://github.com/Human-Agent-Society/reefИ приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run().https://pythonhub.dev/digest/2026-10-04/@pythonl

🐍 Python тормозит? В 3.15 добавили инструмент, который покажет гдеTachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время.Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода.Что умеет:• Строить flame graphs и тепловые карты строк.• Показывать нагрузку в реальном времени.• Анализировать asyncio, ожидание I/O и удержание GIL.Подключение к процессу по PID:python3.15 -m profiling.sampling attach 12345🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике:https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler

webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики.Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде:- проверки, следует ли вывод из заданных предпосылок- перевода текста в формальную логику- semantic parsing- формализации и критики доказательств в LeanПо тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам. - 3,66B параметров- Q4 GGUF весит всего 2,09 GiB- достаточно около 4 GB VRAM- можно запускать через llama.cpp- данные остаются локальноЭто не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial. https://huggingface.co/webAI-Official/TwIL-LM3-Pro

🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентовНа GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.https://github.com/justxor/claude-code-pro-course@machinelearning_interview

🖥 Cayu - open-source runtime для долгоживущих ИИ-агентов на PythonПроект закрывает инфраструктурную часть работы агентов: управление состоянием, инструментами, правами доступа, секретами и восстановлением после сбоев.Возможности:- долговечные сессии, события и контрольные точки;- возобновление, прерывание и разветвление запусков;- типизированные инструменты, политики и подтверждения действий;- лимиты расходов и учёт стоимости запусков;- работа с субагентами и фоновыми задачами;- управление контекстом и его сжатие;- изолированные окружения, хранилища и секреты;- трассировка, тесты и evals;- панель управления на FastAPI;- OpenAI, Anthropic, Bedrock, Vertex и OpenAI-совместимые API.Минимальный запуск:pip install cayu pytestcayu new myagentcd myagentpytestcayu eval runhttps://github.com/cayu-dev/cayu

🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениямиPython примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новыеhttps://github.com/justxor/python-primery-koda-2026/

🚀 Jina-OCR-v1 разбирает целые страницы в Markdown со скоростью 2,57 страницы/сJina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown.Главное:- 91,14 на OmniDocBench v1.6;- 83,4 на olmOCR-Bench;- на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench;- до 2,57 страницы/с;- лучший throughput среди 14 протестированных систем при concurrency 32;- сохраняет текст, формулы, таблицы и порядок чтения за один проход.Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP.Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно.Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение.ModelScope:https://modelscope.ai/models/jinaai/Paper: https://modelscope.ai/papers/2609.03

🐍 В Python 3.15 решили мягко «похоронить» re.match()re.match() никуда не удаляют, но для нового кода его теперь рекомендуют не использовать.Причина простая: название функции часто сбивает с толку. re.match() проверяет совпадение только с начала строки, хотя по имени это неочевидно.В Python 3.15 появился более явный вариант:re.prefixmatch()Теперь логика выглядит понятнее:- re.search() — ищет совпадение в любом месте;- re.prefixmatch() — только с начала строки;- re.fullmatch() — вся строка должна совпасть полностью.re.match() получил статус soft deprecated: он остаётся рабочим, без warning и без планов на удаление, но новый код лучше писать без него.Проверять старое использование можно через Ruff и правило TID251.Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/

⚡️ Qwen-Image за 6 шагов: Viggle ускорили генерацию и редактирование в 5 разViggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG.Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ.По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832.https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo