Python Community
11.5K subscribers
1.5K photos
125 videos
15 files
1.06K links
Python Community RU - СНГ сообщество Python-разработчиков

Чат канала: @python_community_chat

Сотрудничество: @cyberJohnny и @Sergey_bzd

РКН реестр:
https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed&registryType=bloggersPermission
Download Telegram
Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине.

Главное:

- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.

GitHub - https://github.com/TencentCloud/Octop

@Python_Community_ru
‍🖥️ ИИ нашёл 418 ошибок в CPython, формализовав его на Lean
Исследователи использовали Claude Opus 5.5, чтобы переписать части CPython на Lean - языке программирования для математически проверяемых доказательств.

Масштаб проекта: 613 318 строк Lean, 1 539 файлов и 18 898 теорем и лемм.

Каждую функцию сравнивали с настоящим Python минимум на 50 000 входных данных, а затем проверяли математическими доказательствами и независимыми ИИ-агентами.

Результат: обнаружено 418 ошибок CPython. Около 55 из них могут приводить к падению интерпретатора или повреждению памяти.

Среди найденных проблем:
- dict.setdefault() в определённых сценариях вызывает Segmentation Fault.
- Операции с XML-элементами могут повреждать память.
- Некоторые функции на C и Python возвращают разные результаты.
Есть важный нюанс: математическое доказательство подтверждает корректность формальной модели, но не гарантирует, что сама модель точно повторяет исходный код. Поэтому исследователи дополнительно сравнивают её с реальным CPython.

Пока проверена только часть проекта: 4 071 из 26 004 функций (15,7%).

Проект: https://broyojo.com/python-formalization/

Код: https://github.com/Broyojo/python-formalization

@Python_Community_ru
‍🌟 Zyphra опубликовала компактную TTS-модель

ZONOS3-Mini (https://www.zyphra.com/our-work/zonos3-mini) синтезирует речь и клонирует голос по образцу, рассчитана на использование в реальном времени на телефонах, ноутбуках и браузере.

Модель копирует голос по записи длиной до минуты, но также можно собрать новый, задав возраст, акцент и тембр. Эмоции, темп и подачу можно настраивать вплоть до отдельных слов.

Поддерживается девять языков, среди них английский, китайский, японский, немецкий, испанский и французский, русского нет.

🟡Архитектура

Под капотом MoE на 800 млн общих при 100 млн активных параметров, где из 64 экспертов на каждом шаге включаются два.

Из 11 слоёв девять построены на Gated DeltaNet и два на обычном глобальном внимании.

Звук кодирует собственный кодек ZAC-1 с частотой 15 кадров в секунду.

🟡Тесты
Задержка до первого звука в браузере на Pixel 9 меньше 570 мс, на MacBook Air с M3 меньше 150 мс, а на одной H100 при восьми одновременных запросах в среднем 80 мс.

Пиковая выработка на той же H100 - 457 секунд звука за секунду.

По внутреннему бенчмарку ZTTS2-Eval, новинка занимает первое место среди открытых моделей, за ней идут Fish S2 Pro и MOSS TTS v1.5.

Модель запускается в браузере через WebGPU, классическим путём с SGLang и vLLM, на Mac через MLX и на обычных процессорах через ggml.

По API в облаке Zyphra Inference она стоит (https://www.zyphra.com/models/zonos3-mini) 10 долларов за мегабайт текста, лимиты - один запрос за раз и 100 генераций в сутки.


📌Лицензирование: Apache 2.0


🟡Блогпост (https://www.zyphra.com/our-work/zonos3-mini)
🟡Веса (https://huggingface.co/Zyphra/ZONOS3-Mini)
🟡Демо (https://cloud.zyphra.com/audio-playground?modelId=zyphra%2FZONOS3-Mini)
🖥GitHub (https://github.com/Zyphra/ZONOS3-Mini)


@ai_machinelearning_big_data

#AI #ML #TTS #ZONOS3 #Zyphra

@Python_Community_ru
‍В Python 3.15 появился профилировщик, который можно подключить к уже работающему процессу

Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.

В отличие от cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.

Запустить скрипт с профилированием:


python -m profiling.sampling run app.py


Подключиться к уже работающему процессу по PID:


python -m profiling.sampling attach 12345


Можно даже наблюдать за результатами в реальном времени:


python -m profiling.sampling attach --live 12345


Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.

Например, получить flamegraph можно так:


python -m profiling.sampling run --flamegraph app.py


Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.

Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать timeit или трассирующие профилировщики.

Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.

https://mathspp.com/blog/tachyon-sampling-profiling-in-python

@Python_Community_ru
4 800 аккаунтов и 61 764 репозитория. Что произошло на GitHub

10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.

Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.

https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/

@Python_Community_ru
ARES: Open Source платформа для автоматизации Red Team и пентестов

На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.

Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.

Что умеет ARES:

- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.

Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.

Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.

Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.

ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.

Лицензия MIT.

GitHub: https://github.com/Mafifrizi/ARES

@Python_Community_ru
‍🔥 Python-дайджест недели: 20+ материалов, проектов и инструментов для разработчиков

Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.

🔥 Популярные материалы

Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок

https://github.com/justxor/local-ai-agent-course-ru

1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra

2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/

3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315

4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology

5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/

📖 Статьи и руководства

6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/

7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html

8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu

9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/

10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings

11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/

12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia

⚙️ Проекты и инструменты

13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer

14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner

15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry

16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq

17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose

18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html

🎬 Видео

19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI

20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo

Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/

@Python_Community_ru
‍RAG без векторной базы: PageIndex набрал 40 тысяч звёзд на GitHub

PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.

Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.

Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.

Результаты разработчиков:

98,7% точности на FinanceBench.

До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.

В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.

Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.

Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.


pip install -U pageindex


PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.

GitHub: https://github.com/VectifyAI/PageIndex

@Python_Community_ru
👍1🤔1
Обучаем собственную LLM с нуля: бесплатный гайд на русском

Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.

В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.

Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.

Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.

🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/

@Python_Community_ru
🐍 Python: задача для Senior-разработчиков

Что выведет код в Python 3.15?


def inner():
try:
yield 1
finally:
return 2

def outer():
try:
x = yield from inner()
yield x
finally:
return 3

g = outer()

print(next(g))
print(g.close())
print(next(g, 0))


Варианты ответа:

A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3

Попробуйте решить без интерпретатора и объяснить, что происходит внутри yield from при закрытии генератора.

Правильный ответ: C) 1, 3, 0.

1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.

@Python_Community_ru
5 проектов для создания собственного ИИ-мозга:

1. GBrain - Garry Tan
Память для ИИ-агентов с поиском, связями между знаниями и возможностью использовать общий контекст в разных агентах.
https://github.com/garrytan/gbrain

2. LLM Wiki - Andrej Karpathy
Концепция базы знаний, которую ИИ самостоятельно пополняет, структурирует и поддерживает в актуальном состоянии. Работает на Markdown.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

3. AI-Memory - Akitaonrails
Долговременная память для Claude Code, Codex и других агентов. Сохраняет историю работы, решения и контекст между сессиями.
https://github.com/akitaonrails/ai-memory

4. Agent Second Brain - Smixs
Голосовой ИИ-ассистент в Telegram, который превращает сообщения в связанные заметки Obsidian и управляет личной базой знаний.
https://github.com/smixs/agent-second-brain

5. COG - Huytieu
Полноценная система второго мозга с 35 AI-навыками, 10 агентами, CRM контактов и автоматическим управлением знаниями.
https://github.com/huytieu/COG-second-brain

Сохраните подборку. Какой из проектов попробовали бы первым?

@Python_Community_ru
👍1