Python RU Telegram Channel Link

Браузерные агенты изнутри: как ИИ кликает по сайтам вместо васКак браузерный ИИ-агент видит страницу, выбирает действие и кликает: архитектура, цикл observe-think-act, код на Playwright и защита от prompt injection.https://uproger.com/kak-rabotayut-brauzernye-ii-agenty/

Что нового в Python 3.15? Ленивые импорты, frozendict и JIT быстрее на 12%Python 3.15 вышел, и в нём много полезного для разработчиков. Ленивые импорты ускоряют запуск, появились frozendict и sentinel, UTF-8 теперь включён по умолчанию, а JIT ускоряет код на 7–12%. Ещё в релизе профилировщик Tachyon, который подключается к живому процессу, новые возможности typing и стабильный ABI для сборок без GIL. Перед обновлением проверьте зависимости и тесты.Полный разбор: https://uproger.com/python-3-15-chto-novogo/Видео: https://uproger.com/python-3-15-chto-novogo/#python #python315 #программирование #разработка #jit

🐍 Python умеет сравнивать числа как в математикеПроверку диапазона можно записать короче:# Вместоif 60 < heart_rate and heart_rate < 100: print("В пределах диапазона")# Пишемif 60 < heart_rate < 100: print("В пределах диапазона")Это цепочка сравнений: оба условия должны выполняться. Границы включаются привычным способом:0 <= score <= 100💡 Есть полезная тонкость: в 60 < get_value() < 100 функция вызывается только один раз. А если повторить вызов по обе стороны and, она может выполниться дважды.

Hugging Face исследовали multi-harness RL: обучение с подкреплением сразу через Claude Code, Codex, OpenCode и Mini-SWE-Agent.Для этого объединили три проекта:• OpenEnv записывает обращения к модели, токены и вероятности генерации.• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.• TRL использует собранные данные для обучения.Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl

DeepSeek Harness вышел на десктоп: плагины без терминала и задачи по расписаниюDeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.https://uproger.com/deepseek-harness-desktop/

Пишем игру на Python: неоновая аркада с разбором кода и ИИPygame часто считают библиотекой для школьных проектов, и зря. На нём за вечер собирается динамичная аркада с неоновой графикой, частицами, тряской камеры и волнами врагов, которая выглядит как маленькая инди-игра. В этой статье мы напишем такую игру на Python с нуля, разберём каждый важный кусок кода и покажем, как ускорить разработку с помощью ИИ-ассистентов и грамотных промптов. В конце вас ждёт полный код, который можно скопировать и сразу запустить.https://uproger.com/pishem-igru-na-python-neonovaya-arkada-s-razborom-koda-i-ii/

🐧 Linux Cheat Sheet - шпаргалка по командам LinuxСамая удобная шпаргалка по Linux и Bash на русском: теория простым языком (как устроены файлы, процессы, права, память, загрузка и сеть), команды терминала, права доступа, процессы, сеть, SSH, systemd, grep/sed/awk, Vim и готовые однострочники - с примерами. А для тех, кто идёт дальше, - продвинутый уровень: Bash для профи, LVM и RAID, трассировка и производительность, ядро, безопасность, контейнеры, восстановление системы и вопросы с собеседований.https://github.com/justxor/Linux-/

10 агентов Claude теоретически обошли алгоритм ДейкстрыВ Vals AI запустили 10 агентов Claude Opus 5.5, которые за 15 часов и 733 сообщения разработали алгоритм C-HD для поиска кратчайших путей в ориентированных графах.Для графов с определённой плотностью сложность снизилась с O(n log n) у Дейкстры до O(n log¹¹⁄¹² n). Корректность и оценка времени работы формально подтверждены доказательством в Lean.Но это пока теоретический результат. Алгоритм не тестировали на крупных реальных графах, константы велики, а улучшение действует только в ограниченном диапазоне входных данных.Главное здесь другое: группа ИИ-агентов смогла самостоятельно разработать алгоритм и подготовить его формальное доказательство всего за 15 часов.https://www.vals.ai/blogs/faster-shortest-path-algorithm

🌟 Prism ML собрала тернарную версию Qwen3.8-27BBonsai 2 27B - сжатая Qwen3.8-27B, которая занимает 5,9 ГБ против примерно 54 ГБ у исходной модели в FP16 и сохраняет 98,2% её среднего результата на бенчмарках.Prism ML - американский стартап из команды Калтеха, вышедший из стелс-ркжима весной 2026 года с анонсом первой версии моделей Bonsai.Основатель и руководитель - профессор Калтеха Бабак Хассиби, специалист по теории сжатия. Среди инвесторов стартапа Cerberus, Google и Samsung.Модель рассчитана на локальный запуск на потребительском оборудовании, имеет контекст в 262 тысячи токенов и может обрабатывать изображения и вызывать инструменты.Целевые сценарии - агенты в редакторе кода, работа с компьютером, разбор документов без отправки их в облако.Вес в тернарном квантовании хранится не числом, а одним из трёх знаков: минус, ноль или плюс. Сами величины задаются отдельно - веса разбиты на группы по 128, и у каждой группы один общий множитель в FP16.В пересчёте на один вес это 1,72 бита против 16 у исходной модели. Перед сжатием веса каждой матрицы разворачивают фиксированным преобразованием Адамара, сам разворот вписан в веса, но при работе его нужно повторить на входных данных, иначе модель выдаёт бессмыслицу.Распознавание картинок сжатие не проходило, лежит отдельным файлом на 0,6 ГБ и подгружается только тогда, когда на вход пришло изображение, так что текстовые задачи его не задействуют.🟡В релизе три варианта🟢GGUF в двух упаковках: PTQ1_0 (1,75 бита, 5,95 ГБ, быстрее на картах Ada и L4) и PQ2_0 (2,13 бита, 7,21 ГБ, быстрее на H100 и Blackwell);🟢сборка под MLX на 8,60 ГБ вместе со зрением;🟠тестовая упаковка Q2_0 для доработки ядер.Для GGUF нужен специальный форк llama.cpp от Prism ML, для MLX - загрузчик из самого пакета.🟡БенчмаркиЗамеры Prism ML считали через EvalScope и vLLM на H100, в режиме рассуждения, всего провели 14 тестов. Сравнивали со сборки той же Qwen3.8-27B в квантованиях UD-Q4_K_XL и IQ2_XXS.Среднее по всем тестам: 84,78 против 86,32 у FP16 и 72,59 у IQ2_XXS. До четырёхбитной сборки не хватило 0,4 пункта при втрое меньшем размере.AIME26: 95,83 против 94,58 у FP16 и 57,50 у IQ2_XXS.LiveCodeBench: 90,07 против 90,05 и 56,40 соответственно.BFCL v3 (вызов инструментов): 74,92 против 76,74 у FP16.MMMU-Pro: 75,49 против 81,73.Скорость генерации на RTX 5090 примерно 129 токенов в секунду, на ноутбучном M5 Pro - 28 токенов в секунду.📌Лицензирование: Apache 2.0🟡Блогпост🟡Веса🟡Техотчет🟡Демо на WebGPU🟡Сообщество в Discord🖥GitHub@ai_machinelearning_big_data#AI #ML #LLM #Bonsai #PrizmML

Kubernetes NodeLocal DNSCache: ускоряем DNS-запросы 🚀Без NodeLocal DNSCache DNS-запрос от Pod проходит через:Service IP → kube-proxy → DNAT → conntrack → CoreDNSВ нагруженных кластерах это увеличивает задержки и создаёт дополнительную нагрузку на таблицу conntrack.NodeLocal DNSCache запускает локальный DNS-кеш на каждой ноде как DaemonSet:Pod → локальный DNS-кеш → CoreDNSЕсли запись уже есть в кеше, Pod получает ответ прямо с текущей ноды. При промахе запрос передаётся в CoreDNS.Преимущества- быстрее обрабатываются повторные DNS-запросы;- снижается нагрузка на CoreDNS;- уменьшается межнодовый DNS-трафик;- обходятся kube-proxy и DNAT;- сокращается количество UDP-записей в conntrack;- доступны DNS-метрики отдельно для каждой ноды.NodeLocal DNSCache стабилен с Kubernetes 1.18, но обычно его нужно включать отдельно и развернуть node-local-dns как DaemonSet.🔗 Официальная документация Kubernetes: https://kubernetes.io/docs/tasks/administer-cluster/nodelocaldns/

🔥 Один из лучших обучающих курсов на StepiK по SQLSQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/

⚡️ DeepSeek открыла веса V4.1-FlashDeepSeek выложила свежайшую DeepSeek-V4.1-Flash, мультимодальную MoE-модель на 552 млрд параметров, с контекстом до миллиона токенов и методом Causal Encoder-Decoder под капотом, который вдвое удешевляет разбор входа.Задача, под которую её делали, скучная, но дорогая. Долго работающий агент постоянно перечитывает свой контекст, и всё прочитанное приходится держать в KV-кэше.На длинных дистанциях он раздувается, забивает видеопамять и упирается в пропускную способность шин.В V4.1-Flash кэш сжат до 890 байт на токен, это вчетверо меньше, чем у V4-Flash, и в 437 раз, чем у первой версии DeepSeek.Каждому слою внимания заранее назначен один из трёх режимов:🟢в полном слой считает свои ключи и значения сам;🟢в режиме переиндексации берёт их у предыдущего слоя, но заново выбирает, на что смотреть;🟢в режиме повторного использования не считает ничего - берёт и чужой кэш, и чужой выбор.Так хранить приходится в разы меньше. Сверху главный кэш держится в четырёхбитном формате FP4, и устойчивость к такой точности натренирована, а не добавлена после обучения.🟡Causal Encoder-DecoderМетод вдохновлен майкрософтовской работой You Only Cache Once про переиспользование KV-кэша слоями. DeepSeek внесла в него структурные улучшения, чтобы поднять ёмкость кэша и глубину вычислений при его порождении. 40 слоёв разделены пополам: 20 на энкодер, 20 - декодер. К и V для декодера не считаются в каждом его слое, а проецируются из последнего скрытого состояния энкодера.Поэтому при разборе входа работает только первая половина сети - 8 млрд активных параметров на токен против 16 при генерации ответа.Для агентов, у которых вход в разы длиннее вывода, это именно то, что нужно.🟡БенчмаркиНа DeepSWE v1.1 модель берёт 74,2% против 74,0 у Claude Opus 5 и 73,0 у GPT-5.6 Sol.На Terminal-Bench 2.1 - 90,6% (выше всех).На AutomationBench - 54,8% против 50,3 у Opus 5.А вот в Terminal-Bench 4.0, где нужны экспертные знания в науке, модель даёт 31,2% против 51,8 у Opus 5, то есть разрыв с топами на самых сложных задачах никуда не делся.Модель поддерживает настраиваемый уровень рассуждений от 1 до 100, в API это три пресета: low, high, max - они соответствуют значениям 50, 75 и 100.Шаблона чата в Jinja нет - вместо него советуют реализацию промптов на Python и отдельный набор Rust-библиотек.Сообщество на Hugging Face уже сделало квантованные версии практически под всё.📌Лицензирование: MIT License🟡Блогпост🟡Веса🟡Техотчет@ai_machinelearning_big_data#AI #ML #MMLM #MoE #Deepseek

Команды ждут тебя на треке программирование роботов на МТС True Tech Champ 2026 — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.Успей зарегистрироваться до 13 сентября.В треке программирования роботов тебе предстоит запрограммировать робособаку для доставки груза через полосу препятствий сначала в онлайн-симуляторе, а затем на офлайн-полигоне в финале 22 октября. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.Участие в командах 2-5 человек. Если у тебя нет своей команды, кураторы помогут объединиться с другими участниками на платформе.Масштабный финал объединит борьбу за призовой фонд 10 250 000 рублей, выступления хедлайнеров, доклады спикеров и активности для всех гостей мероприятия.Успей зарегистрироваться и пройти квалификацию до 13 сентября.erid:2VSb5xVWJTL

⚡️ DeepSeek выпустила V4.1 FlashНоую модель уже раскатывают в веб-чате и мобильных приложениях. Прежние режимы - быстрый, экспертный и распознавание изображений свели в один: выбирать вручную больше ничего не нужно.Теперь одна модель ведёт и обычный диалог, и разбор картинок, и сложные вопросы. Сложность запроса она определяет сама, а зрение включает, когда на вход приходит изображение.По словам DeepSeek, V4.1 Flash обходит V4 Pro по качеству, стоимости и скорости. До выхода V4.1 Pro она возьмёт на себя все запросы, которые раньше уходили на V4 Pro.@ai_machinelearning_big_data#news #ai #ml

🧠 Как обучить нейросеть на Python с нуляПошаговый разбор полного процесса:* подготовка и разделение данных* создание архитектуры модели* выбор функции потерь и оптимизатора* запуск обучения* проверка качества на новых данных* сохранение готовой моделиМатериал подойдёт новичкам, которые хотят перейти от теории к первой работающей нейросети и понять, что происходит внутри обучения.https://uproger.com/obuchit-nejroset-na-python/

False Sharing: два ядра, никаких lock, а всё тормозит. Почему?Два потока пишут в разные переменные a и b, блокировок нет, а код всё равно упирается в потолок. Виноват false sharing: a и b лежат в одной cache line на 64 байта, и каждая запись одного ядра сбрасывает копию линии у второго. CPU гоняет кэш туда-сюда вместо полезной работы. Лечится разнесением горячиhttps://youtube.com/shorts/piUddxoKcoY?feature=share

⚡️ Google открыла TimesFM 3 для прогнозирования временных рядов.Модель уже доступна на GitHub и Hugging Face и рассчитана на задачи forecasting без необходимости обучать отдельную модель с нуля под каждый датасет.Подходит для:- прогнозирования продаж- нагрузки и трафика- финансовых и бизнес-метрик- спроса- сенсорных и временных данныхTimesFM 3 можно запускать локально и использовать как готовую базовую модель для time-series задач.GitHub: https://github.com/google-research/timesfmHugging Face: https://huggingface.co/google/timesfm-3.0-pytorch