Линтер для инструкций ИИ-агентов
LintLang проверяет
Работает локально, без вызовов LLM. Его можно запустить перед коммитом или добавить в CI, чтобы новые ошибки в инструкциях попадали на проверку вместе с кодом.
https://github.com/hermes-labs-ai/lintlang
LintLang проверяет
AGENTS.md, CLAUDE.md, SKILL.md, описания инструментов и конфигурации агентов. Ищет расплывчатые инструкции, циклы без условия остановки и расхождения между описанием инструмента и его схемой.Работает локально, без вызовов LLM. Его можно запустить перед коммитом или добавить в CI, чтобы новые ошибки в инструкциях попадали на проверку вместе с кодом.
uvx lintlang scan AGENTS.md
https://github.com/hermes-labs-ai/lintlang
10🔥9👍6❤2
fastapi-security-headers добавляет к ответам приложения HTTP-заголовки: HSTS, защиту от MIME sniffing, ограничения на встраивание страниц и другие политики браузера. Подключается как ASGI middleware:
app.add_middleware(SecurityHeadersMiddleware)
Есть готовые настройки для JSON API, строгой политики и Swagger UI, чтобы
/docs продолжал работать. Заголовки можно настроить под конкретное приложение или переопределить для отдельного маршрута.GitHub - https://github.com/aletgdev/fastapi-security-headers
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍3🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ Qwen-Image за 6 шагов: Viggle ускорили генерацию и редактирование в 5 раз
Viggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG.
Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ.
По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832.
https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo
Viggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG.
Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ.
По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832.
https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo
❤7👍6🔥5🎉1
🐍 В Python 3.15 решили мягко «похоронить»
Причина простая: название функции часто сбивает с толку.
В Python 3.15 появился более явный вариант:
Теперь логика выглядит понятнее:
-
-
-
Проверять старое использование можно через Ruff и правило
Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/
re.match()re.match() никуда не удаляют, но для нового кода его теперь рекомендуют не использовать.Причина простая: название функции часто сбивает с толку.
re.match() проверяет совпадение только с начала строки, хотя по имени это неочевидно.В Python 3.15 появился более явный вариант:
re.prefixmatch()Теперь логика выглядит понятнее:
-
re.search() — ищет совпадение в любом месте;-
re.prefixmatch() — только с начала строки;-
re.fullmatch() — вся строка должна совпасть полностью.re.match() получил статус soft deprecated: он остаётся рабочим, без warning и без планов на удаление, но новый код лучше писать без него.Проверять старое использование можно через Ruff и правило
TID251.Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/
👍13❤6🔥6😁2🎉2
🚀 Jina-OCR-v1 разбирает целые страницы в Markdown со скоростью 2,57 страницы/с
Jina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown.
Главное:
- 91,14 на OmniDocBench v1.6;
- 83,4 на olmOCR-Bench;
- на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench;
- до 2,57 страницы/с;
- лучший throughput среди 14 протестированных систем при concurrency 32;
- сохраняет текст, формулы, таблицы и порядок чтения за один проход.
Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP.
Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно.
Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение.
ModelScope:
https://modelscope.ai/models/jinaai/
Paper: https://modelscope.ai/papers/2609.03
Jina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown.
Главное:
- 91,14 на OmniDocBench v1.6;
- 83,4 на olmOCR-Bench;
- на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench;
- до 2,57 страницы/с;
- лучший throughput среди 14 протестированных систем при concurrency 32;
- сохраняет текст, формулы, таблицы и порядок чтения за один проход.
Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP.
Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно.
Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение.
ModelScope:
https://modelscope.ai/models/jinaai/
Paper: https://modelscope.ai/papers/2609.03
👍10❤9🔥4🎉1
Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.
Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые
https://github.com/justxor/python-primery-koda-2026/
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤5👍5
Проект закрывает инфраструктурную часть работы агентов: управление состоянием, инструментами, правами доступа, секретами и восстановлением после сбоев.
Возможности:
- долговечные сессии, события и контрольные точки;
- возобновление, прерывание и разветвление запусков;
- типизированные инструменты, политики и подтверждения действий;
- лимиты расходов и учёт стоимости запусков;
- работа с субагентами и фоновыми задачами;
- управление контекстом и его сжатие;
- изолированные окружения, хранилища и секреты;
- трассировка, тесты и evals;
- панель управления на FastAPI;
- OpenAI, Anthropic, Bedrock, Vertex и OpenAI-совместимые API.
Минимальный запуск:
pip install cayu pytest
cayu new myagent
cd myagent
pytest
cayu eval run
https://github.com/cayu-dev/cayu
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍5🔥3🎉1
Forwarded from Machine learning Interview
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
👍10❤7🔥5🎉1
webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики.
Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде:
- проверки, следует ли вывод из заданных предпосылок
- перевода текста в формальную логику
- semantic parsing
- формализации и критики доказательств в Lean
По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам.
- 3,66B параметров
- Q4 GGUF весит всего 2,09 GiB
- достаточно около 4 GB VRAM
- можно запускать через
- данные остаются локально
Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial.
https://huggingface.co/webAI-Official/TwIL-LM3-Pro
Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде:
- проверки, следует ли вывод из заданных предпосылок
- перевода текста в формальную логику
- semantic parsing
- формализации и критики доказательств в Lean
По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам.
- 3,66B параметров
- Q4 GGUF весит всего 2,09 GiB
- достаточно около 4 GB VRAM
- можно запускать через
llama.cpp- данные остаются локально
Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial.
https://huggingface.co/webAI-Official/TwIL-LM3-Pro
❤12🔥5👍3😁1
🐍 Python тормозит? В 3.15 добавили инструмент, который покажет где
Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время.
Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода.
Что умеет:
• Строить flame graphs и тепловые карты строк.
• Показывать нагрузку в реальном времени.
• Анализировать
Подключение к процессу по PID:
🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике:
https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler
Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время.
Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода.
Что умеет:
• Строить flame graphs и тепловые карты строк.
• Показывать нагрузку в реальном времени.
• Анализировать
asyncio, ожидание I/O и удержание GIL.Подключение к процессу по PID:
python3.15 -m profiling.sampling attach 12345
🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике:
https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler
❤11🔥4👍2😁1
PyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython.
https://pypy.org/posts/2026/09/pypy-v800-release.html
nonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке.
https://pypi.org/project/nonetrace/
since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках.
https://github.com/MohammadHijjawi97/since-cutoff
Hardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода.
https://pytorch.org/blog/hardware-agnostic-models-in-vllm/
Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках.
https://digline.dev/blog/bad-evals-my-own/
CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе.
https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bh
Из проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов.
https://github.com/strands-agents/harness-sdk
https://github.com/confident-ai/deepteam
Для обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов.
https://github.com/anuj0456/OpenArch
https://github.com/Human-Agent-Society/reef
И приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run().
https://pythonhub.dev/digest/2026-10-04/
@pythonl
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5🔥4👍3