print(reverse_words("Hello World"))  # Ожидаемый результат: "World Hello"
print(reverse_words("Python is great"))  # Ожидаемый результат: "great is Python"

def reverse_words(sentence):
return ' '.join(sentence.split()[::-1])

# Пример использования:
print(reverse_words("Hello World")) # Ожидаемый результат: "World Hello"
print(reverse_words("Python is great")) # Ожидаемый результат: "great is Python"

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

point = Point(10, 20)
print(point)  # Point(x=10, y=20)
print(point == Point(10, 20))  # True

🗣️ В этом примере класс Point автоматически получает методы для удобной работы с объектами, что экономит время и делает код чище.

[10, 20, 4, 45, 99]
45

[5, 5, 5]
None

def find_second_largest(numbers):
# Удаляем дубликаты и сортируем список в порядке убывания
unique_numbers = sorted(set(numbers), reverse=True)
# Если уникальных чисел меньше двух, возвращаем None
return unique_numbers[1] if len(unique_numbers) >= 2 else None

# Пример использования:
print(find_second_largest([10, 20, 4, 45, 99])) # Ожидаемый результат: 45
print(find_second_largest([5, 5, 5])) # Ожидаемый результат: None

"abc"
['a', 'ab', 'abc', 'b', 'bc', 'c']

def generate_substrings(s):
substrings = []
for i in range(len(s)):
for j in range(i + 1, len(s) + 1):
substrings.append(s[i:j])
return substrings

# Пример использования:
input_string = "abc"
result = generate_substrings(input_string)
print(result) # Ожидаемый результат: ['a', 'ab', 'abc', 'b', 'bc', 'c']

— 66% опрошенных рисуют опыт. Мидлы делают это так же часто, как джуны, чтобы просто пробить стену из ATS-ботов;
— Без «подкрутки» цифр соискателей не зовут даже на скрининги, зато с нарисованным стажем люди залетают в бигтех и финтех на хорошие ЗП и успешно проходят испыталку;
— В 77% случаев работодатели вообще не вдупляют, что опыт фейковый. Служба безопасности ловит лишь 4%;
— Кандидаты массово используют нейросети для резюме, чтобы обмануть нейросети рекрутеров

— В эксперименте взяли 18 топовых моделей и дали им 100 задач, каждая из которых моделирует реальную историю проекта с GitHub — примерно 233 дня разработки и 71 коммит.

— В результате 75% моделей просто постепенно ухудшали кодовую базу и ломали ранее работавший код во время поддержки;

— Самыми адекватными оказались Claude Opus 4.5 и 4.6 — они держатся выше 50% zero-regression rate.