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