В свежем дайджесте Python Hub несколько интересных новинок для Python-разработчиков, Data Engineers и ML-инженеров.
1. SQLBuild - SQL-трансформации с проверками на этапе компиляции
Новый open-source фреймворк для построения SQL и Python-пайплайнов. Проверяет ссылки на таблицы, типы колонок и контракты ещё до выполнения запросов. Поддерживает end-to-end тестирование и безопасное переименование таблиц без потери истории.
Интересная деталь: компилятор и планировщик написаны на Rust, а выполнение задач и расширения используют Python.
GitHub: https://github.com/sqlstack-io/sqlbuild
2. TorchTPU - PyTorch теперь работает нативно на Google TPU
Совместный проект Google и Meta. Разработчики могут запускать PyTorch-модели на TPU с поддержкой eager execution,
torch.compile и распределённого обучения.Перенос существующего кода может сводиться к замене
.to("cuda") на .to("tpu").Документация: https://pytorch.org/blog/introducing-torchtpu/
3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с
Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python
base64.В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.
Установка:
pip install fastpybase64
Использование:
import fastpybase64 as base64
encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)
Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/
4. TorchNeuron - запуск PyTorch на AWS Trainium
Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает
torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.Модель можно перенести на Trainium практически без изменения архитектуры:
model = MyModel().to("neuron")
Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.
GitHub: https://github.com/aws-neuron/torch-neuronx
Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.
Полный дайджест: https://pythonhub.dev/digest/2026-11-08/
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8🔥4❤3
Знать Python сегодня мало
Начинающих разработчиков много, а работодатели ждут больше, чем синтаксис и пару фреймворков: широкий стек, практический опыт и умение работать с ИИ.
МФТИ и Нетология собрали программу профпереподготовки, где к Python добавлены два слоя, которых обычно нет в курсах разработки:
— бэкенд на Python и FastAPI, фронтенд на JavaScript и React, работа с базами данных, командный проект с тестами, Git и CI;
— ИИ в разработке: машинное обучение, нейросети на PyTorch и TensorFlow, работа с LLM через API, собственное ИИ-приложение;
— технологическое предпринимательство: бизнес-модель и экономика продукта, чтобы видеть задачу шире кода.
🎓️️️️️️На выходе — два диплома о профессиональной переподготовке: МФТИ и Нетологии.
Обучение онлайн, его можно совмещать с работой.
Старт — 23 ноября. Скидка 10 000 ₽ по промокоду MFTIPY10.
Подробнее о программе тут
Реклама. ООО “Нетология” ОГРН 1207700135884 Erid:2VSb5yHYyKx
Начинающих разработчиков много, а работодатели ждут больше, чем синтаксис и пару фреймворков: широкий стек, практический опыт и умение работать с ИИ.
МФТИ и Нетология собрали программу профпереподготовки, где к Python добавлены два слоя, которых обычно нет в курсах разработки:
— бэкенд на Python и FastAPI, фронтенд на JavaScript и React, работа с базами данных, командный проект с тестами, Git и CI;
— ИИ в разработке: машинное обучение, нейросети на PyTorch и TensorFlow, работа с LLM через API, собственное ИИ-приложение;
— технологическое предпринимательство: бизнес-модель и экономика продукта, чтобы видеть задачу шире кода.
🎓️️️️️️На выходе — два диплома о профессиональной переподготовке: МФТИ и Нетологии.
Обучение онлайн, его можно совмещать с работой.
Старт — 23 ноября. Скидка 10 000 ₽ по промокоду MFTIPY10.
Подробнее о программе тут
Реклама. ООО “Нетология” ОГРН 1207700135884 Erid:2VSb5yHYyKx
❤4👍2🤩1
Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине.
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
🔥7👍3❤1🎉1🤩1
Исследователи использовали Claude Opus 5.5, чтобы переписать части CPython на Lean - языке программирования для математически проверяемых доказательств.
Масштаб проекта: 613 318 строк Lean, 1 539 файлов и 18 898 теорем и лемм.
Каждую функцию сравнивали с настоящим Python минимум на 50 000 входных данных, а затем проверяли математическими доказательствами и независимыми ИИ-агентами.
Результат: обнаружено 418 ошибок CPython. Около 55 из них могут приводить к падению интерпретатора или повреждению памяти.
Среди найденных проблем:
- dict.setdefault() в определённых сценариях вызывает Segmentation Fault.
- Операции с XML-элементами могут повреждать память.
- Некоторые функции на C и Python возвращают разные результаты.
Есть важный нюанс: математическое доказательство подтверждает корректность формальной модели, но не гарантирует, что сама модель точно повторяет исходный код. Поэтому исследователи дополнительно сравнивают её с реальным CPython.
Пока проверена только часть проекта: 4 071 из 26 004 функций (15,7%).
Проект: https://broyojo.com/python-formalization/
Код: https://github.com/Broyojo/python-formalization
@pythonl
Please open Telegram to view this post
VIEW IN TELEGRAM
👍13🔥12❤7
🔥️️️️ Черная пятница на STEPIK - 55% процентов на курс Вайбкодинг в разработке: от генерации кода до production
ИИ ускоряет написание кода, но ошибки, уязвимости и проверка результата по-прежнему остаются задачей разработчика.
На Stepik вышел практический курс, посвящённый работе с ИИ в реальных проектах.
В программе: работа с ИИ-агентами, архитектура, Python, тестирование, Code Review, SQL, безопасность, CI/CD, отладка и релиз.
Внутри:
- 49 уроков
- 210 тестов
- 53 практические задачи
- 9 модулей
Пройти курс: https://stepik.org/course/296720/
ИИ ускоряет написание кода, но ошибки, уязвимости и проверка результата по-прежнему остаются задачей разработчика.
На Stepik вышел практический курс, посвящённый работе с ИИ в реальных проектах.
В программе: работа с ИИ-агентами, архитектура, Python, тестирование, Code Review, SQL, безопасность, CI/CD, отладка и релиз.
Внутри:
- 49 уроков
- 210 тестов
- 53 практические задачи
- 9 модулей
Пройти курс: https://stepik.org/course/296720/
🔥5❤4👍4🎉2
Forwarded from Machinelearning
ZONOS3-Mini синтезирует речь и клонирует голос по образцу, рассчитана на использование в реальном времени на телефонах, ноутбуках и браузере.
Модель копирует голос по записи длиной до минуты, но также можно собрать новый, задав возраст, акцент и тембр. Эмоции, темп и подачу можно настраивать вплоть до отдельных слов.
Поддерживается девять языков, среди них английский, китайский, японский, немецкий, испанский и французский, русского нет.
Под капотом MoE на 800 млн общих при 100 млн активных параметров, где из 64 экспертов на каждом шаге включаются два.
Из 11 слоёв девять построены на Gated DeltaNet и два на обычном глобальном внимании.
Звук кодирует собственный кодек ZAC-1 с частотой 15 кадров в секунду.
Задержка до первого звука в браузере на Pixel 9 меньше 570 мс, на MacBook Air с M3 меньше 150 мс, а на одной H100 при восьми одновременных запросах в среднем 80 мс.
Пиковая выработка на той же H100 - 457 секунд звука за секунду.
По внутреннему бенчмарку ZTTS2-Eval, новинка занимает первое место среди открытых моделей, за ней идут Fish S2 Pro и MOSS TTS v1.5.
Модель запускается в браузере через WebGPU, классическим путём с SGLang и vLLM, на Mac через MLX и на обычных процессорах через ggml.
По API в облаке Zyphra Inference она стоит 10 долларов за мегабайт текста, лимиты - один запрос за раз и 100 генераций в сутки.
@ai_machinelearning_big_data
#AI #ML #TTS #ZONOS3 #Zyphra
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍4🎉3🔥2
В Python 3.15 появился профилировщик, который можно подключить к уже работающему процессу
Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.
В отличие от
Запустить скрипт с профилированием:
Подключиться к уже работающему процессу по PID:
Можно даже наблюдать за результатами в реальном времени:
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать
Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-python
Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.
В отличие от
cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.Запустить скрипт с профилированием:
python -m profiling.sampling run app.py
Подключиться к уже работающему процессу по PID:
python -m profiling.sampling attach 12345
Можно даже наблюдать за результатами в реальном времени:
python -m profiling.sampling attach --live 12345
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
python -m profiling.sampling run --flamegraph app.py
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать
timeit или трассирующие профилировщики.Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-python
👍10❤3🔥2😱1
4 800 аккаунтов и 61 764 репозитория. Что произошло на GitHub
10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.
Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.
https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/
10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.
Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.
https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/
👍8🔥6❤5😢5🎉1
ARES: Open Source платформа для автоматизации Red Team и пентестов
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
❤9👍6🎉4
🔥 Python-дайджест недели: 20+ материалов, проектов и инструментов для разработчиков
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
❤4🔥4👍3🎉2😢1
RAG без векторной базы: PageIndex набрал 40 тысяч звёзд на GitHub
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
pip install -U pageindex
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
❤11🔥7👍6😢2
Обучаем собственную LLM с нуля: бесплатный гайд на русском
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
🔥8❤3👍3
Python-разработчики, есть повод выбраться на митап!
🔥 X5 Tech совместно с MoscowPython проводит Moscow Python Meetup №114 — встречаемся, чтобы обсудить инженерные практики, поспорить о технологиях и обменяться опытом с коллегами.
В программе два доклада и большая дискуссия с экспертами X5 Tech, AgentPoint и Ozon Tech.
Что обсудим:
➡️ «Свой шаблон сервиса: как перестать копировать прошлый проект и начать масштабироваться» — Даниил Попков, X5 Tech. Узнаем, как избавиться от копипасты при запуске новых сервисов и выстроить масштабируемый подход.
➡️ «Где живёт ваше намерение? Как заставить нейронку строить то, что вы хотите, а не то, что ей показалось» — Николай Каморник, AgentPoint. Разберём, как правильно передавать ИИ свои требования и добиваться нужного результата в разработке.
➡️ Дискуссия «Почему Python лучше Golang для ИИ-разработки» — Андрей Сотник (X5 Tech), Денис Тормазов (X5 Tech) и Александр Ковалёв (Ozon Tech). Обсудим аргументы за оба языка, реальные примеры и метрики.
Митап бесплатный: можно послушать доклады, поучаствовать в дискуссии и пообщаться с Python-разработчиками X5 Tech и других компаний.
📍 Встречаемся 25 ноября в 19:00 в Москве, на площадке «Баунс» (3-я улица Ямского Поля, 2, корп. 6).
Если работаете с Python на уровне middle или выше — присоединяйтесь! Участие бесплатное, но количество мест на площадке ограничено, так что лучше зарегистрироваться заранее. Приходите сами и зовите коллег!
🔥 X5 Tech совместно с MoscowPython проводит Moscow Python Meetup №114 — встречаемся, чтобы обсудить инженерные практики, поспорить о технологиях и обменяться опытом с коллегами.
В программе два доклада и большая дискуссия с экспертами X5 Tech, AgentPoint и Ozon Tech.
Что обсудим:
➡️ «Свой шаблон сервиса: как перестать копировать прошлый проект и начать масштабироваться» — Даниил Попков, X5 Tech. Узнаем, как избавиться от копипасты при запуске новых сервисов и выстроить масштабируемый подход.
➡️ «Где живёт ваше намерение? Как заставить нейронку строить то, что вы хотите, а не то, что ей показалось» — Николай Каморник, AgentPoint. Разберём, как правильно передавать ИИ свои требования и добиваться нужного результата в разработке.
➡️ Дискуссия «Почему Python лучше Golang для ИИ-разработки» — Андрей Сотник (X5 Tech), Денис Тормазов (X5 Tech) и Александр Ковалёв (Ozon Tech). Обсудим аргументы за оба языка, реальные примеры и метрики.
Митап бесплатный: можно послушать доклады, поучаствовать в дискуссии и пообщаться с Python-разработчиками X5 Tech и других компаний.
📍 Встречаемся 25 ноября в 19:00 в Москве, на площадке «Баунс» (3-я улица Ямского Поля, 2, корп. 6).
Если работаете с Python на уровне middle или выше — присоединяйтесь! Участие бесплатное, но количество мест на площадке ограничено, так что лучше зарегистрироваться заранее. Приходите сами и зовите коллег!
👍2
🐍 Python: задача для Senior-разработчиков
Что выведет код в Python 3.15?
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри
Правильный ответ:C) 1, 3, 0.
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
Что выведет код в Python 3.15?
def inner():
try:
yield 1
finally:
return 2
def outer():
try:
x = yield from inner()
yield x
finally:
return 3
g = outer()
print(next(g))
print(g.close())
print(next(g, 0))
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри
yield from при закрытии генератора.Правильный ответ:
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
❤5👍2🔥1