🖥️ Python: 4 проекта недели, которые стоит добавить в закладки

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/

🖥️ ИИ нашёл 418 ошибок в CPython, формализовав его на Lean
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

🌟 Zyphra опубликовала компактную TTS-модель

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.

🟡Архитектура

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.

🟡Тесты
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.


📌Лицензирование: Apache 2.0


🟡Блогпост
🟡Веса
🟡Демо
🖥GitHub


@ai_machinelearning_big_data

#AI #ML #TTS #ZONOS3 #Zyphra