👉 @PythonPortal

Стэнфорд уже давно доказал, что ChatGPT говорит вам, что вы правы, даже когда вы ошибаетесь. Даже когда вы причиняете кому-то вред.

И из-за этого вы становитесь хуже как человек.

Исследователи протестировали 11 самых популярных моделей ИИ, включая ChatGPT и Gemini. Они проанализировали более 11 500 реальных диалогов, где пользователи обращались за советом. Вывод оказался универсальным: каждая модель соглашалась с пользователями на 50 % чаще, чем это сделал бы человек.

Это означает, что когда вы спрашиваете ChatGPT о ссоре с партнёром, конфликте на работе или о решении, в котором сомневаетесь, ИИ почти всегда скажет вам то, что вы хотите услышать. А не то, что вам нужно услышать.

Дальше ещё мрачнее. Исследователи обнаружили, что модели ИИ поддерживали пользователей даже тогда, когда те описывали манипуляции над кем-то, обман друга или причинение реального вреда другому человеку. ИИ не возражал. Не ставил под сомнение их действия. Он фактически подбадривал их.

Затем они провели эксперимент, который меняет всё. 1 604 человека обсуждали с ИИ реальные личные конфликты. Одна группа взаимодействовала с подхалимской (sycophantic) моделью ИИ. Другая — с нейтральной.

Группа с подхалимским ИИ стала заметно менее готовой извиняться. Менее готовой идти на компромисс. Менее готовой смотреть на ситуацию с точки зрения другого человека. ИИ подтверждал их худшие импульсы, и в итоге они уходили из разговора более эгоистичными, чем были в начале.

Вот в чём ловушка. Участники оценивали подхалимский ИИ как более качественный. Они больше ему доверяли. Хотели пользоваться им снова. ИИ, который делал их хуже как людей, ощущался как более «хороший» продукт.

Это создаёт цикл, о котором почти никто не говорит. Пользователи предпочитают ИИ, который говорит им, что они правы. Компании обучают ИИ так, чтобы удерживать пользователей довольными. ИИ всё лучше справляется с лестью. Пользователи всё хуже занимаются саморефлексией. И цикл замыкается всё сильнее.

Каждый день миллионы людей спрашивают ChatGPT совета о своих отношениях, конфликтах и самых сложных решениях. И каждый день он говорит почти всем одно и то же.

Вы правы. Они ошибаются.

Даже когда всё наоборот.

👉 @PythonPortal

POV: HR вот-вот возьмёт вас на работу

👉 @PythonPortal

Вышла новая open-source TTS-модель — TADA

Сегодня представили TADA — speech-language модель, которая генерирует текст и аудио одновременно в одном синхронизированном потоке. Такой подход снижает галлюцинации на уровне токенов и уменьшает задержку генерации.

Что заявляют разработчики:

• 0 контентных галлюцинаций на более чем 1000 тестовых сэмплах
• В 5 раз быстрее, чем сопоставимые LLM-based TTS системы
• Значительно более длинные аудио:
2048 токенов ≈ ~700 секунд аудио (против ~70 секунд у классических систем)
• Транскрипт генерируется вместе с аудио — без дополнительной задержки

Модель уже выложена в open source, поэтому её можно использовать для TTS-сервисов, голосовых ассистентов, генерации подкастов и мультимодальных LLM-систем.

👉 @PythonPortal

Всегда используйте подготовленные выражения, чтобы предотвратить SQL-инъекции.

Вот пример кода, который делает вашу программу уязвимой к малым атакам:

user_input = request.form['username']
query = f"SELECT * FROM users WHERE username = '{user_input}'"
cursor.execute(query)

Когда вы пишете код таким образом, опасность заключается в том, как формируется SQL-запрос до того, как он попадет в базу данных. Прежде чем база данных увидит запрос, Python вставляет ввод пользователя напрямую в SQL-строку. База данных получает уже готовое SQL-выражение и просто выполняет его. У базы данных нет способа понять, какая часть — это данные, а какая — SQL-логика. Риск в том, что данные могут изменить логику программы.

Когда вы используете подготовленные выражения:

user_input = request.form['username']
query = "SELECT * FROM users WHERE username = ?"
cursor.execute(query, (user_input,))

Вы отделяете SQL-запрос от входных данных. Вместо того чтобы вставлять значения прямо в строку запроса, вы разделяете SQL-логику и ввод пользователя. Теперь база данных воспринимает ввод как данные, а не как выполняемый SQL-код. Вот в чем заключается суть защиты.

👉 @PythonPortal

Как на самом деле работают LLM

Недавно прошёл 2-часовой вебинар на эту тему.
42 слайда — делюсь с вами

https://paraschopra.github.io/how-llms-work/

(стрелки влево и вправо на компьютере, свайп влево и вправо на мобильном устройстве)

👉 @PythonPortal

Другие: не относись к женщинам как к объектам

Тем временем я:

👉 @PythonPortal

Самые быстрорастущие проекты на GitHub в этом месяце:

1. openclaw/openclaw (122K stars)
ваш собственный персональный AI-ассистент, работает 24/7 на любой ОС

2. obra/superpowers (30.7K stars)
фреймворк agentic-skills. plug-and-play инструменты для AI-агентов

3. ruvnet/RuView (30.4K stars)
превращает обычные Wi-Fi сигналы в определение позы человека в реальном времени
без камер, без датчиков — только Wi-Fi

4. 666ghj/MiroFish (17K stars)
движок swarm intelligence, который предсказывает что угодно

5. moeru-ai/airi (16K stars)
self-hosted AI-компаньон с голосовым чатом в реальном времени
работает на вашей машине — вы полностью его контролируете

6. shanraisshan/claude-code-best-practice (11.8K stars)
репозиторий с лучшими практиками разработки с Claude Code

7. badlogic/pi-mono (11.8K stars)
полный toolkit для AI-агентов: CLI, единый LLM API, web-интерфейс, Slack-бот

8. bytedance/deer-flow (10.4K stars)
open-source SuperAgent от ByteDance — самостоятельно исследует, пишет код и создаёт

9. shareAI-lab/learn-claude-code (9K stars)
создание клона Claude Code с нуля — нужен только bash

10. p-e-w/heretic (7.6K stars)
автоматически убирает guardrails у любой языковой модели

👉 @PythonPortal

Python медленный, потому что его динамическая архитектура требует runtime-dispatch при выполнении каждой операции.

В этой статье много хороших разборов, которые помогают лучше понять, как работает Python. Очень хорошая работа!

👉 @PythonPortal

Развлечения в 2026

👉 @PythonPortal

Представили browser-whisper

Транскрибация аудио в текст, которая работает нативно прямо в браузере.

Использует WebCodecs и WebGPU под капотом.

Особенности:

- без настройки backend
- не требуется API-ключ
- 100% приватно и работает офлайн
- всего 3 строки кода, чтобы встроить

Установка:

npm i browser-whisper

GitHub-репозиторий ↓

https://github.com/tanpreetjolly/browser-whisper

👉 @PythonPortal

Python Tip: Перегрузка операторов

Это очень важная концепция в Python.

Задумывались ли вы, как Python понимает, что означает оператор +? Для чисел — это сложение; для строк — конкатенация; для списков — объединение. Это и есть перегрузка операторов в действии.

Перегрузка операторов означает задание специального поведения для операторов (+, -, *, == и т. д.) в ваших пользовательских классах. Вы определяете, как эти операторы должны работать с вашими объектами.

👉 @PythonPortal

Alibaba показали, что AI в кодинге не отнимает работу — он пишет легаси, которое ты будешь чинить ближайшие 10 лет 🤣

Пройти кодинг-тест один раз — легко. Поддерживать этот код 8 месяцев, чтобы он не развалился? Для AI почти невозможно.

Alibaba протестировали 18 AI-агентов на 100 реальных кодовых базах в течение 233 дней. Смотрели не на «быстрые фиксы», а на долгосрочную стабильность.

Результаты впечатлили:

— 75% моделей ломали уже работающий код в процессе поддержки
— Только Claude Opus 4.5/4.6 держали >50% zero-regression rate
— Все остальные накапливали техдолг, который в итоге «ронял» кодовую базу

Проблема в том, что мы до сих пор ориентировались на snapshot-бенчмарки вроде HumanEval — «работает ли сейчас?»

Новый бенчмарк SWE-CI задаёт другой вопрос:

«А будет ли это работать через 8 месяцев эволюции?»

Большинство AI-агентов - это quick-fix артисты:
код проходит тесты сегодня, но завтра превращается в боль поддержки.

Они не строят софт, они скорее строят карточный домик.

Нарратив стал честнее: писать код могут почти все модели. поддерживать - почти ни одна.

👉 @PythonPortal

🤭🤭🤭

👉 @PythonPortal

Какие-то гении выложили в open source полноценный набор инструментов для отслеживания спутников и декодирования их радиосигналов локально.

Тебе даже не нужен интернет — используется SDR (software-defined radio), чтобы напрямую принимать погодные снимки и сырые данные из космоса прямо на твой жёсткий диск.

100% open source.

👉 @PythonPortal

Фильтр Калмана оценивает истинное состояние системы на основе шумных измерений.

Он работает, объединяя две вещи:

• модель эволюции системы
• неточные показания датчиков

Алгоритм выполняется в цикле из двух шагов.

1. predict (предсказание)
- используется модель системы для оценки следующего состояния.
- на выходе получаем предсказанное состояние и неопределённость.

2. update (обновление)
- поступает новое измерение.
- оно сравнивается с предсказанием.
- оценка корректируется.

Коррекция взвешивается с помощью коэффициента Калмана (Kalman Gain):

• больше доверия модели → небольшая коррекция
• больше доверия датчику → сильная коррекция

Неопределённость отслеживается с помощью ковариационной матрицы (Covariance Matrix).

Со временем оценка сходится.

Шум отфильтровывается.
Проявляется истинное состояние.

Используется в:

• локализации в робототехнике
• беспилотных автомобилях
• дронах и системах управления полётом
• GPS-трекинге
• объединении данных с датчиков (sensor fusion)

Это рекурсивная система, которая непрерывно уточняет своё представление о состоянии мира в условиях неопределённости.

👉 @PythonPortal

Перестаньте использовать Python-код для построения «пирамид» или «стрелок»

Если у вас слишком много уровней вложенных if, код перестаёт быть читаемым и удобным для поддержки — вы строите пирамиду. 😄

Посмотрите:

def process_user(user_data):
    if user_data:
        if 'name' in user_data:
            if user_data['name']:
                if 'email' in user_data:
                    if validate_email(user_data['email']):
                        return save_user(user_data)
                    else:
                        return "Invalid email"
                else:
                    return "Email missing"
            else:
                return "Name empty"
        else:
            return "Name missing"
    else:
        return "No data"

Это называется «антипаттерн стрелки» (Arrow Anti-Pattern) или «пирамида смерти» (Pyramid of Doom). Основной сценарий спрятан в самом низу. Чтобы понять, что делает код, приходится держать в голове 4+ уровней вложенности.

А вот этот вариант гораздо лучше:

def process_user(user_data):
    # Сначала обрабатываем все ошибки
    if not user_data:
        return "No data"
    
    if 'name' not in user_data:
        return "Name missing"
    
    if not user_data['name']:
        return "Name empty"
    
    if 'email' not in user_data:
        return "Email missing"
    
    if not validate_email(user_data['email']):
        return "Invalid email"
    
    return save_user(user_data)

Это линейный стиль «сверху вниз», а не «вглубь и обратно». Ошибки явно обрабатываются в начале, а основная логика выделена в конце. Если данные некорректны — происходит ранний выход из функции (early return).

👉 @PythonPortal

Код на Python:

print('Yes' if all([]) or any([]) else 'No')

Каков результат выполнения этого кода?

👉 @PythonPortal