«The Mathematics of Bitcoin» — короткая работа, которая разбирает Bitcoin с математической точки зрения.

В ней используются теория вероятностей, случайные процессы, мартингалы, комбинаторика и специальные функции, чтобы исследовать механизмы протокола Bitcoin.

В частности, авторы разбирают вероятность двойной траты, прибыльность майнинга, генерацию блоков, стратегии майнеров и устойчивость протокола.

Если хочется копнуть глубже, ещё рекомендую «Bitcoin and Cryptocurrency Technologies» от Принстонского университета. Это уже гораздо более широкое введение в криптографические хеш-функции, цифровые подписи, консенсус, Proof of Work, майнинг, транзакции, анонимность, безопасность и систему стимулов в криптовалютах.

Сохраните обе работы в закладки. Это хорошие материалы, если интересно разобраться в математике и технических механизмах Bitcoin.

The Mathematics of Bitcoin:
https://arxiv.org/pdf/2003.00001

Bitcoin and Cryptocurrency Technologies:
https://d28rh4a8wq0iu5.cloudfront.net/bitcointech/readings/princeton_bitcoin_book.pdf

👉 @PythonPortal

Кто-то выложил в открытый доступ Python-скрапер для Google Flights.

Он собирает цены на билеты, расписания и данные для бронирования по более чем 180 странам, используя строготипизированные схемы и Protobuf, закодированный в Base64.

GitHub:
https://github.com/AWeirdDev/flights

👉 @PythonPortal

Хотите узнать, сколько ядер у вашего процессора с помощью Python? Для этого можно использовать модуль multiprocessing.

👉 @PythonPortal

Не нарушайте принцип единственной ответственности SRP.

Функция должна делать одну вещь, делать её хорошо и заниматься только ей.

Здесь функция делает слишком много:

def calculate_final_total(
    price: float,
    quantity: int,
    discount_rate: float,
    tax_rate: float
) -> float:
    subtotal = price * quantity

    discounted_amount = subtotal * (1 - discount_rate)

    final_total = discounted_amount * (1 + tax_rate)

    return final_total

Проблема в том, что расчёт суммы, скидки и налога объединён в одном месте. Любое изменение одного из этапов может затронуть всю функцию.

Лучше разделить логику на небольшие функции:

def calculate_subtotal(price: float, quantity: int) -> float:
    return price * quantity

def apply_discount(subtotal: float, discount: float) -> float:
    return subtotal * (1 - discount)

def calculate_tax(amount: float, tax_rate: float) -> float:
    return amount * (1 + tax_rate)

Так намного лучше.

Небольшие функции с одной конкретной задачей проще покрывать юнит-тестами: у них меньше зависимостей и реже нужны моки.

Плюс такие компоненты проще переиспользовать в других частях приложения или пайплайна, не подтягивая лишнюю логику.

Поэтому держите функции простыми и сфокусированными. Одна функция — одна ответственность.

👉 @PythonPortal

Этот открытый движок для квантовых исследований бесплатно превращает финансовые научные работы, отчётность SEC, исследования с arXiv и блоги в единую базу знаний с поиском.

https://github.com/LLMQuant/quant-mind

👉 @PythonPortal

Сайт для поиска ранних стартапов и новых инструментов: early.tools

Сохраните в закладки. 😏

👉 @PythonPortal

Awesome Math — огромная подборка материалов по математике в одном репозитории.

Там собраны Khan Academy, MIT OpenCourseWare, конспекты лекций, учебники и другие бесплатные материалы по разным разделам математики.

Проект живой и довольно популярный: сейчас у него больше 16 тысяч звёзд на GitHub.

https://github.com/rossant/awesome-math

👉 @PythonPortal

ЭТОТ ОТКРЫТЫЙ ИНСТРУМЕНТ СОЗДАЁТ РАБОЧИЕ ПРИЛОЖЕНИЯ ПО ОДНОМУ ПРОМПТУ

LlamaCoder генерирует небольшие приложения, которые можно сразу запустить и посмотреть прямо в браузере.

Проект распространяется по лицензии MIT, набрал около 7 тысяч звёзд на GitHub, а заявленная аудитория превышает 1,1 млн пользователей.

Репозиторий: https://github.com/Nutlope/llamacoder

👉 @PythonPortal

«Transformer с полной пропускной способностью»

Обычно Transformer передаёт на следующий шаг только выбранный токен, хотя сама модель только что вычислила гораздо более богатое скрытое состояние.

В этой работе скрытое состояние тоже подаётся обратно в модель. За счёт этого она может продолжать внутренне развивать идею, не расписывая всё токен за токеном.

На масштабе 1 млрд параметров подход улучшает результаты в математике, программировании и тестах языковых моделей, добавляя менее 1% к стоимости декодирования.

При этом модель может показывать результаты на уровне моделей, обученных примерно на вдвое большем объёме данных.

https://alphaxiv.org/abs/2608.08888

👉 @PythonPortal

Кто-то сделал детектор, который ловит характерные паттерны ИИ-текста ещё до публикации.

Работает полностью локально: без модели и без подключения к сети. Он проверяет текстовые файлы, отмечает подозрительные шаблоны и просит агента переписать проблемные места. Репозиторий написан на Python и использует только стандартную библиотеку.

GitHub: https://github.com/seyedehsanhadi/sloptrim

👉 @PythonPortal

Как в Python развернуть строку и список одним и тем же кодом.

👉 @PythonPortal

Запускать и обучать модели локально теперь можно прямо через настольное приложение Unsloth Desktop.

Проект с открытым исходным кодом и работает на macOS, Windows и Linux. Также можно использовать Claude Code и Codex с локальными моделями.

Авторы заявляют обучение до 2 раз быстрее и снижение потребления видеопамяти до 70%. Репозиторий Unsloth открыт на GitHub.

https://github.com/unslothai/unsloth

👉 @PythonPortal

Competitive Programmer’s Handbook — руководство по спортивному программированию.

Книга рассчитана на студентов, которые хотят изучить алгоритмы и, возможно, готовиться к Международной олимпиаде по информатике IOI или Международному студенческому чемпионату по программированию ICPC.

PDF доступен бесплатно.

https://cses.fi/book/book.pdf

👉 @PythonPortal

DeepSeek открыла исходный код полноценного агентного фреймворка для программирования, который бесплатно может заменить тариф Claude Code за $200 в месяц.

→ Здесь всё построено на плагинах: адаптеры моделей, инструменты, журналы сессий и сам цикл агента можно менять через конфигурацию.

→ В основе лежит Cordis — собственная среда плагинов DeepSeek.

→ Локальный веб-интерфейс запускается одной командой:

npx @deepseek-ai/dsh web

→ В репозитории есть полноценная документация по архитектуре и AGENTS.md, написанный специально для того, чтобы агенты сами могли разбираться в кодовой базе.

→ TypeScript, лицензия MIT, пока статус developer preview — ожидаются несовместимые изменения.

https://github.com/deepseek-ai/deepseek-harness

👉 @PythonPortal

«Natural Language Processing and Large Language Models» — новая книга в открытом доступе от Springer, написанная Chengqing Zong, Yang Zhao и Yanjun Ma.

Почти 400 страниц с введением в современную обработку естественного языка и большие языковые модели.

Внутри: нейросети, распределённые представления, языковые модели, Transformers, BERT, GPT, токенизация, классификация тональности, извлечение информации, суммаризация текста, машинное понимание текста, машинный перевод, ответы на вопросы и RLHF.

На мой взгляд, это хороший справочник для тех, кто хочет разобраться в этих темах без слишком высокого порога входа. Я бы сохранил.

https://link.springer.com/book/10.1007/978-981-92-0682-7

👉 @PythonPortal

Обновлённый курс CS 8803 «Large Language Model» в Georgia Tech на 2026 год.

Список материалов охватывает предобучение, MoE, рассуждения, обучение с подкреплением и self-play, агентов, длинный контекст, масштабирование во время инференса, диффузионные языковые модели, безопасность, интерпретируемость и многое другое.

- https://cocoxu.github.io/CS8803-LLM-spring2026/
- https://docs.google.com/spreadsheets/d/1Oisf4imoNL3fs4UWGYAUlMCuYfCACMHCDb0iqEYU8wc/edit?usp=sharing

👉 @PythonPortal

А вы знали, что в Python можно делать перегрузку функций с помощью functools?

Вот пример:

👉 @PythonPortal

Большой брат следит за тобой. 😂

https://github.com/arxhr007/Aliens_eye

Aliens_eye - ищет аккаунты по одному имени пользователя сразу на 840+ платформах и с помощью ИИ определяет, какие профили действительно принадлежат нужному человеку.

Aliens_eye также извлекает доступные данные из найденных профилей. Проект написан на Python, распространяется по лицензии MIT и сейчас набрал около 3,1 тыс. звёзд на GitHub.

👉 @PythonPortal

Python может помочь инженерам-механикам автоматизировать рабочие процессы, анализировать данные и решать сложные инженерные задачи.

В этом курсе разбирается Python именно для машиностроения — от базовых концепций программирования до практического применения в инженерных задачах.

В программе NumPy, Pandas и Matplotlib, работа с ИИ в инженерных процессах и несколько практических кейсов.

https://freecodecamp.org/news/python-for-mechanical-engineering/

👉 @PythonPortal

GitHub объявил причину своего масштабного глобального сбоя, который произошёл два дня назад.

17 августа GitHub пережил продолжительный сбой длительностью 7 часов 47 минут, который затронул Issues, PR, API, Actions, Copilot и другие сервисы.

В пиковые моменты доля ошибок в веб-версии и API составляла около 20%, а при скачивании архивов репозиториев и raw-файлов доходила до 50%.

Изначальная ошибка на самом деле была довольно небольшой.

В дата-центре GitHub Central US один из sidecar-подов Istio достиг лимита одновременных соединений, но политика автомасштабирования была настроена неправильно. Она отслеживала только нагрузку основного сервиса и не учитывала собственные ограничения sidecar.

В результате sidecar перестал справляться с нагрузкой, после чего сбой начал распространяться дальше по системе.

В итоге лимиты потоков на всех четырёх узлах HAProxy были исчерпаны. Это затронуло путь аутентификации через шлюз GitHub и вызвало массовые тайм-ауты при аутентификации сервисов.

А дальше началась уже действительно абсурдная часть.

Механизм повторных запросов, который изначально должен был повышать надёжность системы, фактически начал атаковать её сам.

Неудачные запросы постоянно повторялись, создавая ещё большую нагрузку на внутренний балансировщик и только усугубляя ситуацию.

В итоге GitHub обнаружил, что если просто остановить проблемный HAProxy, система практически сразу начинает восстанавливаться целиком.

Вечная тема в истории инженерии снова сработала: код, написанный для повышения надёжности системы, в итоге сам становится причиной её падения.

А Copilot устроил второй раунд проблем.

Один из внутренних эндпоинтов GitHub начал отвечать медленнее, что активировало скрытую ошибку в механизме повторных запросов VS Code и увеличило объём запросов примерно в 10 раз.

Обычная нагрузка Copilot Token Service составляет всего:

7 000–9 000 запросов в секунду.

Во время сбоя она взлетела до:

70 000–100 000 запросов в секунду.

Даже один неудачный запрос токена мог породить огромное количество дополнительных запросов и попасть в цикл повторных попыток.

Поэтому даже после того, как основные сервисы GitHub постепенно восстановились, аутентификация Copilot продолжала сбоить ещё несколько часов.

Меры, которые GitHub в итоге принял, были довольно прямолинейными.

Они сократили количество повторных запросов на шлюзе и даже начали возвращать ошибку 403 для части запросов Copilot Token Service прямо на балансировщике, чтобы клиенты перестали бесконечно повторять запросы.

После этого трафик начали постепенно восстанавливать небольшими порциями.

И ещё небольшая деталь: GitHub отдельно упомянул, что во время восстановления также происходили атаки со скрейпингом на эндпоинт codeload, что дополнительно усложнило ситуацию.

Ну и вот.

👉 @PythonPortal