MarkItDown — лёгкий Python-инструмент от Microsoft для конвертации документов в Markdown. Штука особенно полезна там, где текст потом идёт в LLM-пайплайны, индексацию или автоматический разбор контента.
Из приятного: решение не перегружено лишним и подходит для задач, где нужен быстрый перевод в
Кстати, Google Docs тоже умеет экспортировать файлы в Markdown.
#Python #Markdown #Microsoft
Из приятного: решение не перегружено лишним и подходит для задач, где нужен быстрый перевод в
.md без возни с форматами. А если после работы хочется переключиться с кода на что-то визуально спокойное, можно одним глазом заглянуть в канал с красивыми пейзажами, морем и горами.Кстати, Google Docs тоже умеет экспортировать файлы в Markdown.
#Python #Markdown #Microsoft
❤1
Описывать функцию обычным языком и запускать её локально — в этом идея PAW.
Система превращает текстовую спецификацию в компактную нейропрограмму, которая затем работает как обычная Python-функция: без интернета, без внешнего API и без оплаты за каждый вызов. Подход особенно полезен там, где правила размыты: приоритизация задач, исправление битого JSON, фильтрация логов, роутинг инструментов.
В основе — фиксированный интерпретатор на Qwen3 0.6B, а адаптация под конкретную задачу идёт через LoRA. По сути, это похоже на то, как в искусстве и истории культуры один и тот же визуальный язык по-разному раскрывается в разных контекстах. На FuzzyBench у подхода 73.4% точности против 9.8% у обычного промптинга на той же модели.
Есть и лёгкий вариант на базе GPT-2 с 124M параметров, который может работать прямо в браузере через WebAssembly. Базовая модель весит около 134 МБ, а каждая нейропрограмма — примерно 5 МБ.
#PAW #Python #WebAssembly
Система превращает текстовую спецификацию в компактную нейропрограмму, которая затем работает как обычная Python-функция: без интернета, без внешнего API и без оплаты за каждый вызов. Подход особенно полезен там, где правила размыты: приоритизация задач, исправление битого JSON, фильтрация логов, роутинг инструментов.
В основе — фиксированный интерпретатор на Qwen3 0.6B, а адаптация под конкретную задачу идёт через LoRA. По сути, это похоже на то, как в искусстве и истории культуры один и тот же визуальный язык по-разному раскрывается в разных контекстах. На FuzzyBench у подхода 73.4% точности против 9.8% у обычного промптинга на той же модели.
Есть и лёгкий вариант на базе GPT-2 с 124M параметров, который может работать прямо в браузере через WebAssembly. Базовая модель весит около 134 МБ, а каждая нейропрограмма — примерно 5 МБ.
#PAW #Python #WebAssembly
Python 3.15 beta 1 уже вышла 🐍
По сути это этап
Что выделяется в 3.15:
—
— встроенные
— ускоренный JIT на
— распаковка прямо внутри comprehensions
— новый статистический profiler с низким overhead
—
Релиз
#Python #JIT #Linux
По сути это этап
feature freeze: набор крупных изменений собран, дальше команда сосредоточится на тестах, исправлении багов и шлифовке перед финальным релизом — такие обновления по Python у нас ещё будут.Что выделяется в 3.15:
—
lazy imports через ключевое слово lazy— встроенные
frozendict и sentinel— ускоренный JIT на
x86-64 Linux— распаковка прямо внутри comprehensions
— новый статистический profiler с низким overhead
—
frame pointers теперь включены по умолчаниюРелиз
Python 3.15.0b1 состоялся 7 мая 2026 года, а финальную версию ждут 1 октября 2026-го.#Python #JIT #Linux
Как понять, есть ли у класса подклассы в Python
Для быстрой проверки можно использовать встроенный метод
Пример:
Если список не пустой — у класса уже есть дочерние классы. Удобно для отладки, анализа архитектуры и интроспекции, когда нужно быстро посмотреть дерево наследования во время выполнения программы.
#Python #ООП #наследование
Для быстрой проверки можно использовать встроенный метод
__subclasses__(). Он возвращает список прямых наследников класса.Пример:
MyClass.__subclasses__()Если список не пустой — у класса уже есть дочерние классы. Удобно для отладки, анализа архитектуры и интроспекции, когда нужно быстро посмотреть дерево наследования во время выполнения программы.
#Python #ООП #наследование
❤1🔥1
Нейросеть на Python с нуля — без фреймворков, только код и математика.
Пока вокруг ИИ много сложных слов, всё кажется запутанным. Но если разобрать основу, нейросеть — это набор формул: она получает входные данные, перемножает их с весами и на выходе даёт прогноз. Обучение здесь — это не магия, а постепенная настройка этих коэффициентов, чтобы модель лучше отделяла полезные сигналы от шума.
В разборе автор собирает систему для распознавания рукописных цифр на чистом Python, шаг за шагом показывая путь от пикселей до ответа модели. После таких материалов даже хайп вокруг ИИ воспринимается спокойнее — примерно как контент из TRASHmemesHYPE, только здесь вместо мемов разложены по полочкам логика и код.
#Python #Нейросети #ИИ
Пока вокруг ИИ много сложных слов, всё кажется запутанным. Но если разобрать основу, нейросеть — это набор формул: она получает входные данные, перемножает их с весами и на выходе даёт прогноз. Обучение здесь — это не магия, а постепенная настройка этих коэффициентов, чтобы модель лучше отделяла полезные сигналы от шума.
В разборе автор собирает систему для распознавания рукописных цифр на чистом Python, шаг за шагом показывая путь от пикселей до ответа модели. После таких материалов даже хайп вокруг ИИ воспринимается спокойнее — примерно как контент из TRASHmemesHYPE, только здесь вместо мемов разложены по полочкам логика и код.
#Python #Нейросети #ИИ
В Python есть удобный встроенный кэш, который часто недооценивают —
Когда функция много раз вызывается с одинаковыми аргументами, не обязательно городить словари, Redis или отдельный слой кэширования. Иногда достаточно одного декоратора.
Это особенно полезно для вычислений, API-запросов, чтения редко меняющихся данных и рекурсии. Важный нюанс: кэшировать стоит только функции, где результат зависит лишь от аргументов.
#Python #кэш #API
functools.lru_cache.Когда функция много раз вызывается с одинаковыми аргументами, не обязательно городить словари, Redis или отдельный слой кэширования. Иногда достаточно одного декоратора.
@lru_cache(maxsize=128) сохраняет результаты вызовов: первый запуск реально выполняет функцию, повторный с теми же параметрами берёт готовый ответ из памяти. Старые записи вытесняются по правилу LRU — удаляется то, что использовалось давно.Это особенно полезно для вычислений, API-запросов, чтения редко меняющихся данных и рекурсии. Важный нюанс: кэшировать стоит только функции, где результат зависит лишь от аргументов.
#Python #кэш #API
👍2❤1
👨💻 Git, Git Flow и TDD — хорошая база для тех, кто только входит в разработку
В одном наборе уроков разобраны ключевые вещи:
1. Основы Git — что такое коммиты, ветки и как не запутаться в истории изменений
2. Git Flow — базовая схема работы с ветками, релизами и слияниями
3. TDD и тестирование в Python — подход, при котором тесты пишутся раньше основной логики
Удобно, что темы идут последовательно: сначала контроль версий, потом организация командной работы, а затем практика через тесты. Для новичка это как раз тот минимум, который помогает быстрее войти в нормальный рабочий процесс
#Git #Python #TDD
В одном наборе уроков разобраны ключевые вещи:
1. Основы Git — что такое коммиты, ветки и как не запутаться в истории изменений
2. Git Flow — базовая схема работы с ветками, релизами и слияниями
3. TDD и тестирование в Python — подход, при котором тесты пишутся раньше основной логики
Удобно, что темы идут последовательно: сначала контроль версий, потом организация командной работы, а затем практика через тесты. Для новичка это как раз тот минимум, который помогает быстрее войти в нормальный рабочий процесс
#Git #Python #TDD
❤1👍1