🖥 Аккуратный выход из Python-скриптов через sys.exit
В продакшене важно правильно сигнализировать системе об успехе или ошибке.
В Python это делается через sys.exit(<код>):
0 — успешное завершение
неноль — ошибка, которую может поймать CI/CD, Docker, cron или любой supervisor
В примере выше try/except использует это правило:
- при ошибке деления выводится сообщение и скрипт завершается с кодом 1
- при успешной операции — вывод “Operation successful!” и код 0
Такой паттерн обязателен для CLI-утилит, сервисных скриптов, пайплайнов и автоматизации: он делает выполнение предсказуемым и даёт внешним системам корректно реагировать на сбои.
@python_be1
В продакшене важно правильно сигнализировать системе об успехе или ошибке.
В Python это делается через sys.exit(<код>):
0 — успешное завершение
неноль — ошибка, которую может поймать CI/CD, Docker, cron или любой supervisor
В примере выше try/except использует это правило:
- при ошибке деления выводится сообщение и скрипт завершается с кодом 1
- при успешной операции — вывод “Operation successful!” и код 0
Такой паттерн обязателен для CLI-утилит, сервисных скриптов, пайплайнов и автоматизации: он делает выполнение предсказуемым и даёт внешним системам корректно реагировать на сбои.
@python_be1
Бесплатный VPN… но какой ценой?
Вы ищете в поисковике «бесплатный VPN» и качаете первое попавшееся приложение? Остановитесь прямо сейчас. Ваше стремление к анонимности может обернуться прямо противоположным результатом.
Мы живем в эпоху, когда персональные данные стали новой нефтью. И сотни тысяч пользователей, устанавливая бесплатные VPN-сервисы, сами добровольно заливают эту «нефть» в цистерны сомнительных компаний. Вы искренне верите, что обрели защиту, но на деле ваш «бесплатный щит» — это чаще всего троянский конь.
Миф о «частной сети»
Корень проблемы кроется в доверчивости и магическом восприятии аббревиатуры VPN — Virtual Private Network. Пользователь автоматически думает: «частная» значит «никто не видит». Но это смертельно опасное заблуждение.
Реальность такова: если сервис бесплатный, вы и есть товар! Ваша активность в сети — ваши поисковые запросы, посещенные сайты, банковские операции и переписка в мессенджерах — это и есть тот продукт, который компания собирает и продает. Как гласит IT-мудрость: «Если вы не платите за продукт, значит продукт — это вы».
Что скрывается за ширмой «бесплатности»?
Пока вы читаете эту статью, ваш условно-бесплатный VPN может делать следующее:
вести детальный дневник вашей жизни — фиксировать каждый клик, ваше местоположение, время онлайн-сессий;
использовать дырявые протоколы— экономить на мощном шифровании, используя устаревшие алгоритмы, которые легко взломать;
продавать ваши данные рекламным сетям, брокерам и, что хуже всего, киберпреступникам.
Последние громкие утечки данных — это не сценарий фильма. Это прямое следствие использования скомпрометированных VPN-сервисов. В руки злоумышленников попадают базы данных с сессионными куками, которые позволяют получить доступ к вашим соцсетям, почте и даже банковским приложениям. Вы хотели анонимно зайти в Telegram, а в итоге рискуете потерять все.
Платный VPN — это не роскошь, а страховка
Проведите простую параллель. Вы же не доверили бы охрану своего дома первому встречному с табличкой «Охраняю бесплатно»? Так почему вы доверяете свой цифровой след, который зачастую ценнее любого имущества, неизвестному посреднику?
Авторитетные платные сервисы (тот же «Kaspersky») зарабатывают деньги на вашей подписке, а не на продаже ваших данных. Их бизнес-модель построена на обеспечении безопасности, а не на ее иллюзии. Они инвестируют в современную криптографию, не ведут логи и проходят независимые аудиты.
Вывод, который может спасти ваши деньги и зачастую репутацию
Стремление к комфорту и анонимности понятно. Но доверяя бесплатному VPN, вы не устраняете уязвимость — вы создаете ее сами. Вы сознательно встраиваете в свою цифровую жизнь шпиона, который работает против вас.
Цифровая грамотность — это не знание сложных терминов. Это понимание простого принципа: за качественную защиту нужно платить. В мире, где данные стали валютой, сэкономить на VPN — все равно что записать пинкод на кредитке и потерять, результат будет очевидным.
@python_be1
Вы ищете в поисковике «бесплатный VPN» и качаете первое попавшееся приложение? Остановитесь прямо сейчас. Ваше стремление к анонимности может обернуться прямо противоположным результатом.
Мы живем в эпоху, когда персональные данные стали новой нефтью. И сотни тысяч пользователей, устанавливая бесплатные VPN-сервисы, сами добровольно заливают эту «нефть» в цистерны сомнительных компаний. Вы искренне верите, что обрели защиту, но на деле ваш «бесплатный щит» — это чаще всего троянский конь.
Миф о «частной сети»
Корень проблемы кроется в доверчивости и магическом восприятии аббревиатуры VPN — Virtual Private Network. Пользователь автоматически думает: «частная» значит «никто не видит». Но это смертельно опасное заблуждение.
Реальность такова: если сервис бесплатный, вы и есть товар! Ваша активность в сети — ваши поисковые запросы, посещенные сайты, банковские операции и переписка в мессенджерах — это и есть тот продукт, который компания собирает и продает. Как гласит IT-мудрость: «Если вы не платите за продукт, значит продукт — это вы».
Что скрывается за ширмой «бесплатности»?
Пока вы читаете эту статью, ваш условно-бесплатный VPN может делать следующее:
вести детальный дневник вашей жизни — фиксировать каждый клик, ваше местоположение, время онлайн-сессий;
использовать дырявые протоколы— экономить на мощном шифровании, используя устаревшие алгоритмы, которые легко взломать;
продавать ваши данные рекламным сетям, брокерам и, что хуже всего, киберпреступникам.
Последние громкие утечки данных — это не сценарий фильма. Это прямое следствие использования скомпрометированных VPN-сервисов. В руки злоумышленников попадают базы данных с сессионными куками, которые позволяют получить доступ к вашим соцсетям, почте и даже банковским приложениям. Вы хотели анонимно зайти в Telegram, а в итоге рискуете потерять все.
Платный VPN — это не роскошь, а страховка
Проведите простую параллель. Вы же не доверили бы охрану своего дома первому встречному с табличкой «Охраняю бесплатно»? Так почему вы доверяете свой цифровой след, который зачастую ценнее любого имущества, неизвестному посреднику?
Авторитетные платные сервисы (тот же «Kaspersky») зарабатывают деньги на вашей подписке, а не на продаже ваших данных. Их бизнес-модель построена на обеспечении безопасности, а не на ее иллюзии. Они инвестируют в современную криптографию, не ведут логи и проходят независимые аудиты.
Вывод, который может спасти ваши деньги и зачастую репутацию
Стремление к комфорту и анонимности понятно. Но доверяя бесплатному VPN, вы не устраняете уязвимость — вы создаете ее сами. Вы сознательно встраиваете в свою цифровую жизнь шпиона, который работает против вас.
Цифровая грамотность — это не знание сложных терминов. Это понимание простого принципа: за качественную защиту нужно платить. В мире, где данные стали валютой, сэкономить на VPN — все равно что записать пинкод на кредитке и потерять, результат будет очевидным.
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
Пригодится, когда скачаете весь интернет: инструмент, который превращает твой компьютер в собственную базу знаний с RAG-поиском 👍
Он индексирует все документы, картинки и PDF, чтобы ты мог искать не по названию, а по смыслу — прямо как в ChatGPT, только офлайн.
— Ищет по тексту и изображениям;
— Комбинирует семантический и ключевой поиск;
— Работает с `.pdf`, `.docx`, `.png`, `.gif` и прочими форматами;
— Поддерживает локальные и облачные модели (через LM Studio или OpenAI);
— Никаких утечек — всё обрабатывается на месте.
Чистый кайф (https://github.com/henrydaum/second-brain) 🍆
@python_be1
Он индексирует все документы, картинки и PDF, чтобы ты мог искать не по названию, а по смыслу — прямо как в ChatGPT, только офлайн.
— Ищет по тексту и изображениям;
— Комбинирует семантический и ключевой поиск;
— Работает с `.pdf`, `.docx`, `.png`, `.gif` и прочими форматами;
— Поддерживает локальные и облачные модели (через LM Studio или OpenAI);
— Никаких утечек — всё обрабатывается на месте.
Чистый кайф (https://github.com/henrydaum/second-brain) 🍆
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
🚽Секретный проект Microsoft [спойлер: (шучу)] , просто исходный код был под завесой тайны 8 лет :)
Называется: Microsoft SandDance
позволяет визуально исследовать и понимать данные с помощью плавных анимированных переходов между несколькими представлениями.
😺Репозиторий GitHub:
https://github.com/microsoft/SandDance
🟣SandDance использует MorphCharts<i>(включает в себя рендерер с трассировкой лучей)</i> для своих анимаций, исходный код которого оставался закрытым еще дольше:
https://github.com/microsoft/morphcharts
🟣Оба проекта построены на основе
https://vega.github.io/
— декларативной грамматики визуализации.
🌸🌸🌸🌸🌸
Мб кому-то пригодится, говорят самый недооценённый проект от Майкрософт✍️
@python_be1
Называется: Microsoft SandDance
позволяет визуально исследовать и понимать данные с помощью плавных анимированных переходов между несколькими представлениями.
😺Репозиторий GitHub:
https://github.com/microsoft/SandDance
🟣SandDance использует MorphCharts<i>(включает в себя рендерер с трассировкой лучей)</i> для своих анимаций, исходный код которого оставался закрытым еще дольше:
https://github.com/microsoft/morphcharts
🟣Оба проекта построены на основе
https://vega.github.io/
— декларативной грамматики визуализации.
🌸🌸🌸🌸🌸
Мб кому-то пригодится, говорят самый недооценённый проект от Майкрософт✍️
@python_be1
🌍🗣️ Omnilingual ASR: Многоязычное распознавание речи для 1600+ языков
Omnilingual ASR — это открытая система распознавания речи, поддерживающая более 1,600 языков, включая редкие. Она позволяет добавлять новые языки с минимальными примерами, делая технологии распознавания более доступными и инклюзивными для различных сообществ.
🚀Основные моменты:
- Поддержка более 1,600 языков, включая уникальные.
- Простота добавления новых языков без больших наборов данных.
- Использует нулевое обучение и гибкие модели для адаптации.
- Доступен на Hugging Face для демонстрации и использования.
📌 GitHub: https://github.com/facebookresearch/omnilingual-asr
#python
@python_be1
Omnilingual ASR — это открытая система распознавания речи, поддерживающая более 1,600 языков, включая редкие. Она позволяет добавлять новые языки с минимальными примерами, делая технологии распознавания более доступными и инклюзивными для различных сообществ.
🚀Основные моменты:
- Поддержка более 1,600 языков, включая уникальные.
- Простота добавления новых языков без больших наборов данных.
- Использует нулевое обучение и гибкие модели для адаптации.
- Доступен на Hugging Face для демонстрации и использования.
📌 GitHub: https://github.com/facebookresearch/omnilingual-asr
#python
@python_be1
GitHub
GitHub - facebookresearch/omnilingual-asr: Omnilingual ASR Open-Source Multilingual SpeechRecognition for 1600+ Languages
Omnilingual ASR Open-Source Multilingual SpeechRecognition for 1600+ Languages - facebookresearch/omnilingual-asr
This media is not supported in your browser
VIEW IN TELEGRAM
Открытый проект, цель которого — сделать 100 миллионов научных статей доступными с помощью LLM-генерированных структурированных саммари.
🧠 Набор данных из 100 000 саммари
🧩 Два дообученных LLM-моделя для анализа и структурирования
🌐 3D-визуализатор, который показывает взаимосвязи между научными работами
Blog: https://laion.ai/notes/summaries/
Models: https://huggingface.co/inference-net
Visualizer: https://aella.inference.net
@python_be1
🧠 Набор данных из 100 000 саммари
🧩 Два дообученных LLM-моделя для анализа и структурирования
🌐 3D-визуализатор, который показывает взаимосвязи между научными работами
Blog: https://laion.ai/notes/summaries/
Models: https://huggingface.co/inference-net
Visualizer: https://aella.inference.net
@python_be1
🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров
Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах.
🚀Основные моменты:
- Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей.
- Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных.
- Выдающиеся результаты: Превосходит модели, в 10-600 раз большие.
- Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов.
📌 GitHub: https://github.com/WeiboAI/VibeThinker
#python
@python_be1
Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах.
🚀Основные моменты:
- Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей.
- Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных.
- Выдающиеся результаты: Превосходит модели, в 10-600 раз большие.
- Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов.
📌 GitHub: https://github.com/WeiboAI/VibeThinker
#python
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
Посмотрите, что творит Gemini 3. Такие лендинги раньше продавали за кругленькие суммы 😮💨
Промт:
```
Сделай необруталистичный веб-сайт, максимально креативный, насколько это возможно — на пределе. Добавь плавные анимации при прокрутке, яркие цвета и стили Tailwind CSS. Сделай его адаптивным. Название страницы — dorksense.
```
Можно потыкать самостоятельно: gemini.google.com/share/b086dc0eedf7
@python_be1
Промт:
```
Сделай необруталистичный веб-сайт, максимально креативный, насколько это возможно — на пределе. Добавь плавные анимации при прокрутке, яркие цвета и стили Tailwind CSS. Сделай его адаптивным. Название страницы — dorksense.
```
Можно потыкать самостоятельно: gemini.google.com/share/b086dc0eedf7
@python_be1
🧭 LinkedIn запускает новую систему поиска людей на базе ИИ — для всех своих 1.3 млрд пользователей.
Как это работает:
- ИИ переводит обычный запрос в связанные навыки и области.
Например, запрос *«curing cancer»* найдёт не только учёных, но и экспертов в онкологии и геномике — и при этом учитывает, насколько человек достижим в вашей сети.
Как обучали:
- Команда вручную собрала “золотой” набор из нескольких сотен–тысяч пар «запрос–профиль».
- На нём сгенерировали синтетические данные и обучили 7B модель-судью.
- Затем дистиллировали её в 1.7B учителя релевантности и отдельных учителей для пользовательских действий (connect, follow).
- Итоговая модель обучалась на мягких оценках через KL-дивергенцию.
Как устроен поиск:
- Первый этап — широкая выборка с помощью 8B модели.
- Второй — компактный ранкер, который обеспечивает точность и при этом дешёв в продакшене.
- Ранкер ужали с 440M до 220M параметров с потерей менее 1% качества — это позволило держать систему дешёвой на таком масштабе.
Технические решения:
- Индексацию пришлось перенести с CPU на GPU — граф людей ведёт себя иначе, чем поиск вакансий.
- RL-сжатие контекста уменьшает ввод почти в 20 раз, а связка ранкера и сжатия даёт ускорение в 10 раз.
- Отдельный LLM-router решает, использовать ли семантический стек или откатиться к классическому лексическому поиску.
Источник: venturebeat.com/ai/inside-linkedins-generative-ai-cookbook-how-it-scaled-people-search-to-1-3
@python_be1
Как это работает:
- ИИ переводит обычный запрос в связанные навыки и области.
Например, запрос *«curing cancer»* найдёт не только учёных, но и экспертов в онкологии и геномике — и при этом учитывает, насколько человек достижим в вашей сети.
Как обучали:
- Команда вручную собрала “золотой” набор из нескольких сотен–тысяч пар «запрос–профиль».
- На нём сгенерировали синтетические данные и обучили 7B модель-судью.
- Затем дистиллировали её в 1.7B учителя релевантности и отдельных учителей для пользовательских действий (connect, follow).
- Итоговая модель обучалась на мягких оценках через KL-дивергенцию.
Как устроен поиск:
- Первый этап — широкая выборка с помощью 8B модели.
- Второй — компактный ранкер, который обеспечивает точность и при этом дешёв в продакшене.
- Ранкер ужали с 440M до 220M параметров с потерей менее 1% качества — это позволило держать систему дешёвой на таком масштабе.
Технические решения:
- Индексацию пришлось перенести с CPU на GPU — граф людей ведёт себя иначе, чем поиск вакансий.
- RL-сжатие контекста уменьшает ввод почти в 20 раз, а связка ранкера и сжатия даёт ускорение в 10 раз.
- Отдельный LLM-router решает, использовать ли семантический стек или откатиться к классическому лексическому поиску.
Источник: venturebeat.com/ai/inside-linkedins-generative-ai-cookbook-how-it-scaled-people-search-to-1-3
@python_be1
На GitHub собрали почти 6000 готовых шаблонов для n8n: можно моментально запустить своего ИИ-агента под любую задачу.
Внутри — готовые боты для Telegram, инвестиционные советники, ИИ-ученые и многое другое. Все поможет автоматизировать рутину на работе и учебе.
Забираем по ссылке (https://github.com/nusquama/n8nworkflows.xyz?tab=readme-ov-file).
@python_be1
Внутри — готовые боты для Telegram, инвестиционные советники, ИИ-ученые и многое другое. Все поможет автоматизировать рутину на работе и учебе.
Забираем по ссылке (https://github.com/nusquama/n8nworkflows.xyz?tab=readme-ov-file).
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ ПРИЁМ ДЛЯ ГЛАДКОЙ ПЕРЕДАЧИ ДАННЫХ В ASYNCIO
В сетевом Python можно «мягко» ограничивать скорость передачи данных без троттлинга на уровне сокета.
Приём - отправлять данные кусками и вставлять короткий `await asyncio sleep` после каждого drain(): это отдаёт управление циклу, даёт шанс другим корутинам и предотвращает монополизацию CPU.
Полезно в высоконагруженных стримерах.
```
простой «мягкий» троттлинг передачи данных
import asyncio
CHUNK = 32_000
async def send_smooth(writer, data: bytes):
for i in range(0, len(data), CHUNK):
writer.write(data[i:i+CHUNK])
await writer.drain()
await asyncio.sleep(0) # отдаём управление циклу
async def handle(reader, writer):
payload = b"x" * 5_000_000
await send_smooth(writer, payload)
writer.close()
await writer.wait_closed()
async def main():
srv = await asyncio.start_server(handle, "0.0.0.0", 8888)
async with srv:
await srv.serve_forever()
asyncio.run(main())
```
@python_be1
В сетевом Python можно «мягко» ограничивать скорость передачи данных без троттлинга на уровне сокета.
Приём - отправлять данные кусками и вставлять короткий `await asyncio sleep` после каждого drain(): это отдаёт управление циклу, даёт шанс другим корутинам и предотвращает монополизацию CPU.
Полезно в высоконагруженных стримерах.
```
простой «мягкий» троттлинг передачи данных
import asyncio
CHUNK = 32_000
async def send_smooth(writer, data: bytes):
for i in range(0, len(data), CHUNK):
writer.write(data[i:i+CHUNK])
await writer.drain()
await asyncio.sleep(0) # отдаём управление циклу
async def handle(reader, writer):
payload = b"x" * 5_000_000
await send_smooth(writer, payload)
writer.close()
await writer.wait_closed()
async def main():
srv = await asyncio.start_server(handle, "0.0.0.0", 8888)
async with srv:
await srv.serve_forever()
asyncio.run(main())
```
@python_be1
Media is too big
VIEW IN TELEGRAM
Как работает память в Python
🐍 t.me/ - наш телеграм канал с уроками Python
🔥 https://t.me/+Ti3Kid-S7mxlNzNi - лучшие ии инструмент и гайды по работе с ними у меня в телеграме, подпишись, не пожалеешь
📌 https://t.me/addlist/8vDUwYRGujRmZjFi - А здесь собрана папка отборных материалов по работе с ИИ
🧠 Как работает память в Python 3.14 — простыми словами
Python 3.14 — это самый крупный пересмотр модели памяти за много лет из-за free-threading (возможность исполнять Python-код в нескольких потоках одновременно без GIL).
Это потребовало переработать несколько фундаментальных механизмов:
1) 📦 Pymalloc → стал потокобезопасным и менее конфликтным
В CPython объекты малого размера (до 512 байт) выделяются через pymalloc.
Раньше он использовал глобальные структуры → блокировал треды.
@python_be1
🐍 t.me/ - наш телеграм канал с уроками Python
🔥 https://t.me/+Ti3Kid-S7mxlNzNi - лучшие ии инструмент и гайды по работе с ними у меня в телеграме, подпишись, не пожалеешь
📌 https://t.me/addlist/8vDUwYRGujRmZjFi - А здесь собрана папка отборных материалов по работе с ИИ
🧠 Как работает память в Python 3.14 — простыми словами
Python 3.14 — это самый крупный пересмотр модели памяти за много лет из-за free-threading (возможность исполнять Python-код в нескольких потоках одновременно без GIL).
Это потребовало переработать несколько фундаментальных механизмов:
1) 📦 Pymalloc → стал потокобезопасным и менее конфликтным
В CPython объекты малого размера (до 512 байт) выделяются через pymalloc.
Раньше он использовал глобальные структуры → блокировал треды.
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ Революция — вышла нейронка MeshCoder, которая превращает любые 3D-объекты в редактируемый код! Она преобразует облака точек в Python-скрипты для Blender.
Теперь 3D-моделями можно полностью управлять через код: менять форму, анимировать, генерировать кучу вариаций за раз и автоматизировать создание 3D-объектов.
Прорыв доступен всем — тут. (https://github.com/InternRobotics/MeshCoder)
@python_be1
Теперь 3D-моделями можно полностью управлять через код: менять форму, анимировать, генерировать кучу вариаций за раз и автоматизировать создание 3D-объектов.
Прорыв доступен всем — тут. (https://github.com/InternRobotics/MeshCoder)
@python_be1
Ловите годноту «CodeChef» платформа для практики и соревнований
Здесь вы найдёте кучу задач от лёгких до «мозг взрывает». Писать можно на чем угодно: C, C++, Java, Python и ещё десятках языков
И да — каждый месяц тут проходят крутые контесты, где можно посоревноваться с ребятами со всего света 💪
☝️ Ссылка источник (https://www.codechef.com/learn)
@python_be1
Здесь вы найдёте кучу задач от лёгких до «мозг взрывает». Писать можно на чем угодно: C, C++, Java, Python и ещё десятках языков
И да — каждый месяц тут проходят крутые контесты, где можно посоревноваться с ребятами со всего света 💪
☝️ Ссылка источник (https://www.codechef.com/learn)
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
✨ Превращай математику в живые анимации с Manim
Статические слайды — это хорошо, но сложные идеи гораздо легче объяснить через динамические визуализации.
Manim позволяет создавать профессиональные математические анимации в Python — такие же, как в видео 3Blue1Brown.
Что делает Manim мощным:
• MathTex — задаёт формулы в LaTeX
• Transform — плавно превращает одну формулу в другую
• play() и wait() — управляют ходом анимации
• Рендеринг одной командой:
`manim -p -ql script.py`
Manim — идеальный инструмент, когда нужно не просто показать формулу, а *объяснить идею* так, чтобы она оживала на экране.
https://docs.manim.community/en/stable/reference/manim.mobject.geometry.html#module-manim.mobject.geometry
@python_be1
Статические слайды — это хорошо, но сложные идеи гораздо легче объяснить через динамические визуализации.
Manim позволяет создавать профессиональные математические анимации в Python — такие же, как в видео 3Blue1Brown.
Что делает Manim мощным:
• MathTex — задаёт формулы в LaTeX
• Transform — плавно превращает одну формулу в другую
• play() и wait() — управляют ходом анимации
• Рендеринг одной командой:
`manim -p -ql script.py`
Manim — идеальный инструмент, когда нужно не просто показать формулу, а *объяснить идею* так, чтобы она оживала на экране.
https://docs.manim.community/en/stable/reference/manim.mobject.geometry.html#module-manim.mobject.geometry
@python_be1
⚡️ Google релизнули Gemini 3.0 — самую мощную модель на сегодня.
Главное:
🟢 По всем бенчам опережает конкурентов Sonnet 4.5 и GPT-5.1, иногда в разы. Так, на ARC-AGI-2, тесте на «общий интеллект», набирает 31,1% — это почти в 2 раза больше GPT-5.1!
🟢 Еще довольно сильно выделяется модель на Vending Bench 2 — тесте на долгосрочное планирование, когда ИИ управляет симуляцией торгового автомата. Gemini тут заработала 5.500 $, до этого рекорд до этого был у Sonnet — 3.800 $
🟢 Плюс улучшилась способность понимать изображения и производительность в агентных задачах.
🟢 Контекст — 1 млн токенов, знания до января 2025-го. Модель полностью обучена с нуля, архитектура MoE.
Модель генерирует игры и сайты с одного промпта и может эмулировать целые ОС!
Уже доступна (https://aistudio.google.com/prompts/new_chat?model=gemini-3-pro-preview) через AI Studio доступна! Бежим тестить 🏃♂️
@python_be1
Главное:
🟢 По всем бенчам опережает конкурентов Sonnet 4.5 и GPT-5.1, иногда в разы. Так, на ARC-AGI-2, тесте на «общий интеллект», набирает 31,1% — это почти в 2 раза больше GPT-5.1!
🟢 Еще довольно сильно выделяется модель на Vending Bench 2 — тесте на долгосрочное планирование, когда ИИ управляет симуляцией торгового автомата. Gemini тут заработала 5.500 $, до этого рекорд до этого был у Sonnet — 3.800 $
🟢 Плюс улучшилась способность понимать изображения и производительность в агентных задачах.
🟢 Контекст — 1 млн токенов, знания до января 2025-го. Модель полностью обучена с нуля, архитектура MoE.
Модель генерирует игры и сайты с одного промпта и может эмулировать целые ОС!
Уже доступна (https://aistudio.google.com/prompts/new_chat?model=gemini-3-pro-preview) через AI Studio доступна! Бежим тестить 🏃♂️
@python_be1