🔥 Face Anything - восстановление 4D-лица из любой последовательности изображений

На ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.

Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.

Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:

* стабильную геометрию между кадрами
* точные соответствия facial points
* 4D-реконструкцию из произвольной последовательности изображений

Код:
https://github.com/kocasariumut/FaceAnything

@Python_Community_ru

🐍 PyAdventure - бесплатная игра для изучения Python через практику

Вместо обычных уроков здесь 10 игровых миров, каждый посвящён отдельной теме Python, а в конце ждёт битва с боссом.

Игра сделана на Pygame и рассчитана на обучение основам программирования через прохождение уровней и выполнение задач.

Сейчас доступна бесплатная версия для Windows.

https://khalidmfy.itch.io/pyadventure

@Python_Community_ru

10 GitHub-репозиториев, которые сильнее всего залетают прямо сейчас

Собрал свежую подборку проектов, которые заметно растут и активно обсуждаются.

1. OpenAI Codex
Coding agent от OpenAI для терминала и автоматизации разработки.

https://github.com/openai/codex

2. God's Eye View
OSINT и открытые геоданные на интерактивном 3D-глобусе: авиация, спутники и другие источники.

https://github.com/bilawalsidhu/gods-eye-view

3. awesome-gpt-image-2
Большая библиотека промптов, примеров и шаблонов для GPT Image 2.

https://github.com/freestylefly/awesome-gpt-image-2

4. mattpocock/skills
Готовые skills и workflows для coding agents, которые можно переиспользовать вместо огромных промптов.

https://github.com/mattpocock/skills

5. Archify
Строит интерактивную карту архитектуры кодовой базы: sequence, data-flow, lifecycle и связи компонентов.

https://github.com/tt-a1i/archify

6. Tailcat
Инструмент от Tailscale для прямого соединения машин через WireGuard и NAT traversal.

https://github.com/tailscale/tailcat

7. Prime Agent
Self-improving coding agent для длинных автономных задач.

https://github.com/PrimeIntellect-ai/prime-agent

8. Semantica
Graph-native инфраструктура для хранения контекста, связей и происхождения данных в AI-системах.

https://github.com/semantica-agi/semantica

9. Cursor Plugins
Официальный репозиторий плагинов Cursor: orchestration, code review, continual learning и другие agent-функции.

https://github.com/cursor/plugins

10. AnyDoc
Инструмент от Firecrawl для превращения документов в структурированный контент для AI и RAG.

https://github.com/firecrawl/anydoc

Если смотреть на общий тренд недели:

AI-агенты → agent skills → память и контекст → визуализация архитектуры → инструменты для автономной работы с окружением

Сохраняй себе, чтобы не потерять!

@Python_Community_ru

🔥 GLM-5.3-Flash теперь можно запускать локально

Unsloth выпустил GGUF-версии модели, включая 3-bit вариант, который можно запускать примерно на 128 ГБ RAM.

GLM-5.3-Flash, ранее известная как Ox Alpha, показывает очень сильные результаты в coding и agentic-бенчмарках и, по заявленным тестам, приближается к уровню Claude Opus 4.8 на DeepSWE.

Гайд:
https://unsloth.ai/docs/models/glm-5.3-flash

GGUF:
https://huggingface.co/unsloth/GLM-5.3-Flash-GGUF

@Python_Community_ru

Настройка GitLab Runners

Сборка занимает всё больше времени, задания ждут свободного исполнителя, а Docker-образы загружаются при каждом запуске. Часто проблема не в GitLab CI, а в настройке Runner, кэширования и самого конвейера.

10 сентября в 20:00 на открытом уроке курса «DevOps практики и инструменты» разберёте, как настроить собственный GitLab Runner и ускорить сборку проекта.

На практическом примере вы пройдёте путь от установки Runner и подключения проекта до настройки файла .gitlab-ci.yml. Узнаете, как использовать кэш и артефакты, сократить время загрузки Docker-образов и повторно использовать уже загруженные слои.

Отдельно рассмотрите исполнители shell, docker и docker-machine — поймёте, чем они отличаются и как выбрать подходящий вариант под инфраструктуру и нагрузку. Также разберёте ошибки, из-за которых задания выполняются медленно, нестабильно или потребляют больше ресурсов, чем требуется.

После урока у вас будет понятный набор приёмов для настройки и проверки GitLab Runner, который можно применить в собственном проекте.

👉 Записаться: https://vk.cc/d13eNq

Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

⚡️ KTransformers - open-source фреймворк из Китая, который позволяет запускать огромные модели на обычном потребительском железе.

Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера.

Что заявляют разработчики:

- до 28× быстрее инференс в отдельных сценариях
- дообучение DeepSeek-V3 на 4 потребительских GPU
- поддержка Kimi-K2, GLM-5 и MiniMax
- без облака и собственного дата-центра
- полностью open source

Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей.

https://github.com/kvcache-ai/ktransformers

@Python_Community_ru

Код Ревью в 2026

@Python_Community_ru

🚀 Целую AI-компанию можно запустить прямо на своём компьютере.

Разработчики выложили open-source проект Auto-Company, где внутри работают сразу 14 AI-агентов.

Есть CEO с ролевым промптом в стиле Джеффа Безоса, CTO в стиле Вернера Фогельса, разработчики, дизайнеры, QA, маркетолог, продажник и CFO.

Агенты сами:

• собираются в команды
• придумывают продукты
• проверяют идеи
• пишут код
• деплоят
• передают контекст следующей «смене» через один Markdown-файл

По сути, это автономная виртуальная команда, которую можно развернуть локально и использовать как мини-стартап под свою задачу.

https://github.com/MaxMiksa/Auto-Company

@Python_Community_ru

🔥 AI Job Search - open-source система, которая превращает Claude Code в помощника по поиску работы

Она умеет:

- анализировать вакансии и оценивать, насколько они подходят
- подгонять CV под конкретную позицию
- писать сопроводительные письма
- готовить к интервью
- искать вакансии через отдельные skills
- хранить профиль, документы и историю откликов локально

Интересно, что автор сам использовал этот workflow для поиска работы: 69 адаптированных откликов → 20 первых интервью → 1 оффер.

Проект построен как набор команд /setup, /scrape, /apply, /interview и легко форкается под свои сайты вакансий и рынок.

MIT License.

https://github.com/MadsLorentzen/ai-job-search

@Python_Community_ru

⚡️ GPT-6 Astra (https://t.me/ai_machinelearning_big_data/10835)подняла рекорд Epoch AI с 163 до 169 ECI

GPT-6 Astra установила новый максимум в индексе возможностей Epoch AI - 169 баллов против предыдущих 163.

Для масштаба: тренд эпохи reasoning-моделей составляет около 15 ECI в год, поэтому скачок на 6 пунктов соответствует примерно пяти месяцам прогресса. Astra находится немного выше трендовой линии, но всё ещё в пределах ожидаемого диапазона.

Особенно выделяются отдельные результаты:

- 84% на Mystery Game Puzzles против предыдущего рекорда в 59%
- 98% на FrontierMath Tier 4 - Epoch уже считает этот уровень практически полностью насыщенным

При этом результат заметно расходится с рейтингом Artificial Analysis Intelligence Index.

Причина в методологии: Epoch и Artificial Analysis используют разные наборы тестов и веса. AA сильнее акцентирует coding и agentic-задачи, поэтому лидерство Astra в ECI не означает автоматического лидерства во всех практических сценариях.

По метрике Epoch скачок действительно большой - +6 ECI за одно поколение модели.

https://x.com/Machinelearrn/status/2095826666702393538

@Python_Community_ru