Python в этом году явно доминирует, но Rust — самый любимый
А TypeScript теснит JavaScript. Свежие данные TIOBE (апрель 2026) и Stack Overflow Developer Survey 2025 показывают чёткие сдвиги в продуктивности и популярности:
Python уверенно лидирует (TIOBE ~21–22 %, PYPL ~36 %). Самый большой годовой прирост (+7 п.п. в некоторых метриках) благодаря AI/ML, data science и автоматизации. Идеален для быстрого прототипирования и высокой developer velocity.
JavaScript всё ещё самый используемый (~62–66 % разработчиков), но TypeScript активно его теснит — особенно в enterprise и на GitHub (в 2025–2026 стал лидером по вкладам у многих). Статическая типизация даёт меньше багов и выше maintainability крупных проектов.
Rust — абсолютный чемпион по «admired» (82–83 % разработчиков хотят продолжать использовать). 9–10 лет подряд на первом месте. Причины: память без garbage collector, безопасность и производительность близкая к C/C++, но с современной продуктивностью.
Go остаётся фаворитом для cloud-native, микросервисов и высоконагруженных backend’ов благодаря отличной concurrency и скорости компиляции.
Вывод для эффективности:
Выбор языка напрямую влияет на скорость разработки, количество багов и стоимость поддержки. Python ускоряет MVP и исследования, TypeScript/Rust — надёжность и масштабирование, low-code дополняет там, где нужна скорость без глубокого кода.
Команды, которые грамотно комбинируют современные языки с low-code, получают максимальный прирост продуктивности в 2026 году.
Источники: TIOBE Index April 2026
#ProgrammingLanguages #Python #Rust #TypeScript #LowCode2026
А TypeScript теснит JavaScript. Свежие данные TIOBE (апрель 2026) и Stack Overflow Developer Survey 2025 показывают чёткие сдвиги в продуктивности и популярности:
Python уверенно лидирует (TIOBE ~21–22 %, PYPL ~36 %). Самый большой годовой прирост (+7 п.п. в некоторых метриках) благодаря AI/ML, data science и автоматизации. Идеален для быстрого прототипирования и высокой developer velocity.
JavaScript всё ещё самый используемый (~62–66 % разработчиков), но TypeScript активно его теснит — особенно в enterprise и на GitHub (в 2025–2026 стал лидером по вкладам у многих). Статическая типизация даёт меньше багов и выше maintainability крупных проектов.
Rust — абсолютный чемпион по «admired» (82–83 % разработчиков хотят продолжать использовать). 9–10 лет подряд на первом месте. Причины: память без garbage collector, безопасность и производительность близкая к C/C++, но с современной продуктивностью.
Go остаётся фаворитом для cloud-native, микросервисов и высоконагруженных backend’ов благодаря отличной concurrency и скорости компиляции.
Вывод для эффективности:
Выбор языка напрямую влияет на скорость разработки, количество багов и стоимость поддержки. Python ускоряет MVP и исследования, TypeScript/Rust — надёжность и масштабирование, low-code дополняет там, где нужна скорость без глубокого кода.
Команды, которые грамотно комбинируют современные языки с low-code, получают максимальный прирост продуктивности в 2026 году.
Источники: TIOBE Index April 2026
#ProgrammingLanguages #Python #Rust #TypeScript #LowCode2026
❤5
NVIDIA CUDA 13.3 — Python и C++ наконец-то подружились для AI-команд
NVIDIA выпустила CUDA 13.3 — и это реально важное обновление для всех, кто занимается AI/ML в продакшене.
Главные фичи:
CompileIQ — ML-автотюнинг GPU-ядер (раньше на это уходили недели ручной работы)
CUDA Tile programming теперь прямо в стандартном C++ (без экзотического синтаксиса)
Значительно улучшена производительность и интероперабельность CUDA Python
По сути, NVIDIA наконец-то сильно сократила разрыв между data science (Python + PyTorch/TensorFlow) и высокопроизводительными системными командами (C++). Теперь одной команде проще работать без постоянного «перекидывания» задач туда-обратно.
Особенно полезно enterprise-командам в финансах, автопроме, индустриальном AI.
Подробности
#NVIDIA #CUDA #AI #Python #C++ #GPU
NVIDIA выпустила CUDA 13.3 — и это реально важное обновление для всех, кто занимается AI/ML в продакшене.
Главные фичи:
CompileIQ — ML-автотюнинг GPU-ядер (раньше на это уходили недели ручной работы)
CUDA Tile programming теперь прямо в стандартном C++ (без экзотического синтаксиса)
Значительно улучшена производительность и интероперабельность CUDA Python
По сути, NVIDIA наконец-то сильно сократила разрыв между data science (Python + PyTorch/TensorFlow) и высокопроизводительными системными командами (C++). Теперь одной команде проще работать без постоянного «перекидывания» задач туда-обратно.
Особенно полезно enterprise-командам в финансах, автопроме, индустриальном AI.
Подробности
#NVIDIA #CUDA #AI #Python #C++ #GPU
❤2
PyTorch выпустил детальный гайд, как жить с AI-агентами в большом кодбейзе
Edward Yang из PyTorch-команды опубликовал отличный playbook (на основе обсуждений на внутреннем offsite).
В нём разбирают:
Как правильно ревьюить AI-генерированный код (человек всё равно должен полностью владеть каждой строкой)
Что делать с «slop» (грязным/непроверенным AI-кодом) — где можно, а где категорически нельзя
Инструменты: RADAR (авто-ревью низкорисковых PR), AI-линтинг, автоматическая генерация тестов
Чёткие правила ownership и ответственности при массовых AI-PR
Это один из самых практичных и честных документов на тему «как не утонуть в AI-коде» в крупном open-source проекте.
Для кого must-read:
Всех, кто использует Cursor / Claude / Copilot / агентов в больших проектах
Тимлидов и тех, кто выстраивает процессы code review в 2026 году
ML/Python-разработчиков
PyTorch AI Coding Playbook
#PyTorch #AICoding #CodeReview #AIagents #SoftwareEngineering #Python
Edward Yang из PyTorch-команды опубликовал отличный playbook (на основе обсуждений на внутреннем offsite).
В нём разбирают:
Как правильно ревьюить AI-генерированный код (человек всё равно должен полностью владеть каждой строкой)
Что делать с «slop» (грязным/непроверенным AI-кодом) — где можно, а где категорически нельзя
Инструменты: RADAR (авто-ревью низкорисковых PR), AI-линтинг, автоматическая генерация тестов
Чёткие правила ownership и ответственности при массовых AI-PR
Это один из самых практичных и честных документов на тему «как не утонуть в AI-коде» в крупном open-source проекте.
Для кого must-read:
Всех, кто использует Cursor / Claude / Copilot / агентов в больших проектах
Тимлидов и тех, кто выстраивает процессы code review в 2026 году
ML/Python-разработчиков
PyTorch AI Coding Playbook
#PyTorch #AICoding #CodeReview #AIagents #SoftwareEngineering #Python
⚡10❤4🤔4🔥1🙏1
Datasette Apps — теперь можно запускать полноценные веб-приложения внутри Datasette
Simon Willison выкатил плагин datasette-apps. Теперь внутри Datasette можно хостить sandboxed HTML+JS-приложения с безопасным доступом к данным (чтение/запись через stored queries).
Ключевые фичи:
Жёсткий iframe sandbox + CSP
Безопасная коммуникация через MessageChannel
Генерация приложений с помощью LLM (Claude/GPT) по схеме БД
Идеально для внутренних инструментов, визуализаций и быстрых интерфейсов
Отличный инструмент для Python-разработчиков и data-команд, которые хотят быстро делать полезные штуки без отдельного фронтенда.
Репозиторий и демо: https://github.com/datasette/datasette-apps Анонс: https://simonwillison.net/2026/Jun/18/datasette-apps/
Кому нужно быстрое внутреннее приложение — must try.
#Python #Datasette #WebDev #OpenSource #DataTools
Simon Willison выкатил плагин datasette-apps. Теперь внутри Datasette можно хостить sandboxed HTML+JS-приложения с безопасным доступом к данным (чтение/запись через stored queries).
Ключевые фичи:
Жёсткий iframe sandbox + CSP
Безопасная коммуникация через MessageChannel
Генерация приложений с помощью LLM (Claude/GPT) по схеме БД
Идеально для внутренних инструментов, визуализаций и быстрых интерфейсов
Отличный инструмент для Python-разработчиков и data-команд, которые хотят быстро делать полезные штуки без отдельного фронтенда.
Репозиторий и демо: https://github.com/datasette/datasette-apps Анонс: https://simonwillison.net/2026/Jun/18/datasette-apps/
Кому нужно быстрое внутреннее приложение — must try.
#Python #Datasette #WebDev #OpenSource #DataTools
❤16🔥15👨💻3👀2🆒2😁1🙏1
Polars 2.0 RC: streaming теперь по умолчанию. Ritchie Vink обещает «скучный» мажор и ×5 на многих запросах
2 сентября вышел первый RC Polars 2.0. Стабильный релиз — в ближайшие недели.
Главное изменение не новый синтаксис. LazyFrame.collect() по умолчанию идёт в streaming engine. Для обычного пользователя это меньше RAM и, по оценке команды, легко до 5× на типичных запросах. Цена: join / group_by / unpivot больше не обещают порядок строк, если явно не поставить maintain_order=True. Вернуться на in-memory можно через конфиг или collect(engine="in-memory").
Плюс ужесточение. is_in больше не молча приводит типы. Горизонтальная конкатенация падает на разной высоте. Неявные касты в даты и enum убрали — нужны отдельные методы. melt окончательно уступил unpivot.
Это правильный мажор: ломают дефолты, которые мешали движку, а не ради чейнджлога. Если у вас пайплайн молча опирался на порядок после join, RC как раз для того, чтобы поймать это на тесте, а не на пятничном отчёте.
Дата-инженерам имеет смысл прогнать suite на 2.0.0rc1 на этой неделе, пока есть migration guide.
Источник: Polars Blog
#polars #python #dataengineering #rust #pandas
2 сентября вышел первый RC Polars 2.0. Стабильный релиз — в ближайшие недели.
Главное изменение не новый синтаксис. LazyFrame.collect() по умолчанию идёт в streaming engine. Для обычного пользователя это меньше RAM и, по оценке команды, легко до 5× на типичных запросах. Цена: join / group_by / unpivot больше не обещают порядок строк, если явно не поставить maintain_order=True. Вернуться на in-memory можно через конфиг или collect(engine="in-memory").
Плюс ужесточение. is_in больше не молча приводит типы. Горизонтальная конкатенация падает на разной высоте. Неявные касты в даты и enum убрали — нужны отдельные методы. melt окончательно уступил unpivot.
Это правильный мажор: ломают дефолты, которые мешали движку, а не ради чейнджлога. Если у вас пайплайн молча опирался на порядок после join, RC как раз для того, чтобы поймать это на тесте, а не на пятничном отчёте.
Дата-инженерам имеет смысл прогнать suite на 2.0.0rc1 на этой неделе, пока есть migration guide.
Источник: Polars Blog
#polars #python #dataengineering #rust #pandas
🦄4⚡2👍2🔥2
Два человека переписали хранилище ChatGPT с Python на Rust
OpenAI выложила разбор Habitat: внутреннее онлайн-хранилище ChatGPT, Responses API и Codex. Сейчас это больше 70 млн запросов в секунду, 500+ ПБ данных и около миллиарда пользователей в неделю по почти 40 регионам.
На Python система держала пик выше 20 млн RPS. Дальше упёрлись в ядра и хвосты латентности: Habitat стал вторым сервисом компании по числу CPU и четвёртым по Envoy. В Q2 2026 два инженера с Codex и GPT-5.5 переписали сервис на Rust. Rust уже обслуживает 95% продакшена. По их цифрам: CPU эффективнее в 6 раз, память в 15, средняя и хвостовая латентность заметно ниже. Python снимут через несколько недель.
Что здесь цепляет не «Rust быстрее Python». Это и так все знают. Цепляет порядок решений. Год сознательно жили на Python, потому что продукт рос быстрее, чем команда успевала переписывать платформу. Переезд отложили, пока модели не стали достаточно сильными, чтобы двое закрыли работу, на которую раньше собирали отдельную платформенную группу.
Если у вас в бэклоге висит «когда-нибудь перепишем горячий путь», этот пост OpenAI удобно кидать в тред как аргумент в обе стороны. И «смотрите, Python вывез 20 млн RPS, не трогайте». И «смотрите, когда упёрлись, двое плюс агент закрыли миграцию за квартал». Правда, как всегда, где-то посередине: сначала измерить, во что вам обходится текущий рантайм на ядрах и p99, а уже потом спорить про язык.
Источник: openai.com/index/scaling-storage-one-billion-users-part-one
#rust #python #highload #openai #infra #chatgpt
OpenAI выложила разбор Habitat: внутреннее онлайн-хранилище ChatGPT, Responses API и Codex. Сейчас это больше 70 млн запросов в секунду, 500+ ПБ данных и около миллиарда пользователей в неделю по почти 40 регионам.
На Python система держала пик выше 20 млн RPS. Дальше упёрлись в ядра и хвосты латентности: Habitat стал вторым сервисом компании по числу CPU и четвёртым по Envoy. В Q2 2026 два инженера с Codex и GPT-5.5 переписали сервис на Rust. Rust уже обслуживает 95% продакшена. По их цифрам: CPU эффективнее в 6 раз, память в 15, средняя и хвостовая латентность заметно ниже. Python снимут через несколько недель.
Что здесь цепляет не «Rust быстрее Python». Это и так все знают. Цепляет порядок решений. Год сознательно жили на Python, потому что продукт рос быстрее, чем команда успевала переписывать платформу. Переезд отложили, пока модели не стали достаточно сильными, чтобы двое закрыли работу, на которую раньше собирали отдельную платформенную группу.
Если у вас в бэклоге висит «когда-нибудь перепишем горячий путь», этот пост OpenAI удобно кидать в тред как аргумент в обе стороны. И «смотрите, Python вывез 20 млн RPS, не трогайте». И «смотрите, когда упёрлись, двое плюс агент закрыли миграцию за квартал». Правда, как всегда, где-то посередине: сначала измерить, во что вам обходится текущий рантайм на ядрах и p99, а уже потом спорить про язык.
Источник: openai.com/index/scaling-storage-one-billion-users-part-one
#rust #python #highload #openai #infra #chatgpt
👍5🔥1🤝1