Python Community

‍Pew Research опубликовали свежий отчёт «Americans and AI 2026».Только 16% американцев теперь ожидают, что ИИ принесёт пользу обществу в следующие 20 лет, а 40% считают, что ИИ навредит обществу за тот же период.24% американцев используют чат-боты ежедневно: 12% - несколько раз в день, 4%, почти постоянно.51% взрослых жителей США всё ещё вообще не пользуются ИИ-чат-ботами.42% используют чат-боты для поиска информации, и это делает поиск главным сценарием применения.38% работающих взрослых используют чат-боты для рабочих задач.10% используют их для эмоциональной поддержки или советов, а 4% - для общения и чувства компании.ChatGPT доминирует по уровню использования: 44% взрослых американцев сообщили, что пользовались им.Дальше идут Gemini - 24%, Copilot — 17%, Meta AI — 14%, Grok — 8%, Claude — 6% и Character.ai — 3%.Взрослые младше 50 лет примерно в два раза чаще пользуются ChatGPT, чем люди старшего возраста: 57% против 28%.30% говорят, что чат-боты помогают им с продуктивностью, и только 5% считают, что они ей вредят.28% говорят, что чат-боты помогают им оставаться в курсе событий, и только 5% считают, что они мешают этому.60% взрослых жителей США читают ИИ-сводки в поиске. Это значит, что ИИ уже влияет на потребление информации даже у тех, кто может активно не пользоваться чат-ботами.https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/@Python_Community_ru

🏆 Итоги Первого Кубка нейроконтента в МосХаб.СколковоВчера наше пространство превратилось в настоящую нейролабораторию. 150 дизайнеров, разработчиков, сценаристов и AI-специалистов собрались, чтобы за несколько часов создать вертикальные ролики с помощью нейросетей.Участники работали по четырём социально значимым кейсам: «Москва 2040: технологии для людей», «Технологическое будущее: страна инженеров», «Код жизни: медицина будущего» и «Москва — город заботы».Главный кубок второй год подряд завоевала команда «Кролики». Генеральный директор платформы «Россия — страна возможностей» (https://t.me/stranavozmojnostey)Андрей Бетин отметил: «Из 1300 заявок в финал вышли сильнейшие. Это подтверждает высокий уровень подготовки участников и их творческий потенциал».Кубок нейроконтента подтвердил: нейросети усиливают замысел человека, но не заменяют его. Настоящий прорыв — в тандеме живого творчества и цифровых технологий. МосХаб.Сколково — та самая точка, где такие проекты становятся реальностью.Фото с мероприятия — в альбоме (https://vk.com/album-236300510_311272663)Подписывайтесь: Telegram (https://t.me/hub_sk) | МАКС (https://max.ru/hub_sk) | ВКонтакте (https://vk.com/hub_sk)@Python_Community_ru

⚡️ Linux Roadmap: подробный практический курс от нуля до уверенного администратораЭто пошаговый маршрут изучения Linux с упором на практику. Каждый раздел содержит объяснение «почему это устроено именно так», разбор команд и обязательные задания, которые нужно выполнить руками в терминале. Чтение без повторения навыка не даёт — держите терминал открытым рядом с этим текстом.Как работать с этим курсом: идите сверху вниз, не перепрыгивайте разделы; каждую команду набирайте руками, а не копируйте; в конце каждого блока выполняйте задание; специально ломайте систему в виртуалке и чините — это лучший способ учиться.https://github.com/justxor/linuxfullroadmap/@Python_Community_ru

OpenMythos - open-source попытка теоретически реконструировать Claude Mythos, где все архитектурные ставки расписаны прямо в README.По сути, OpenMythos это публичная гипотеза, которая ещё и запускается.Что авторы считают основой Mythos?Не глубокий стек уникальных слоёв, а Recurrent-Depth Transformer.MoE с активацией около 5% параметров, поэтому общий размер модели скорее показывает объём хранения, а не реальную стоимость вычислений.Loop-index positional embedding, чтобы каждая итерация работала как отдельная вычислительная фаза.ACT halting, чтобы модель сама решала, когда ей достаточно “думать”, причём отдельно для каждого токена.И ещё continuous latent thoughts, которые могут кодировать сразу несколько следующих шагов. По смыслу это похоже на breadth-first search внутри одного forward pass.Источники идей тоже понятны: Parcae для стабильности, Universal Transformers для halting, DeepSeek для MoE routing.GitHub:http://github.com/kyegomez/OpenMythos@Python_Community_ru

🐍 Python Парсинг: Большой продвинутый бесплатный курсПолное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики.https://github.com/justxor/Pythonparsing-/tree/main@Python_Community_ru

GLM-5.2 (https://t.me/ai_machinelearning_big_data/10339)теперь можно запускать локально.2-битная версия сохраняет около 82% точности после сжатия модели с 1,51 ТБ до 238 ГБ, то есть размер уменьшили на 84%.Запуск возможен на Mac с 256 ГБ памяти или на системах с достаточным объёмом RAM/VRAM.GLM-5.2 называют самой сильной открытой моделью на данный момент.Гайд: https://unsloth.ai/docs/models/glm-5.2GGUF: https://huggingface.co/unsloth/GLM-5.2-GGUF@Python_Community_ru

Python иногда может выглядеть как тёмная магия.Вот однострочный quicksort через lambda:q = lambda x: x and q([i for i in x[1:] if i x[0]])Что тут происходит:* берём первый элемент как pivot* всё, что меньше или равно ему, рекурсивно сортируем слева* сам pivot ставим в центр* всё, что больше, рекурсивно сортируем справа* если список пустой, возвращается пустой списокРаботает красиво, но в продакшен так писать не надо. Это скорее пример того, насколько гибким может быть Python, чем нормальный стиль кода.Минусы очевидные: плохая читаемость, рекурсия, лишние списки на каждом шаге и риск упереться в лимит рекурсии.Но как демонстрация идеи quicksort в одну строку — выглядит эффектно.@Python_Community_ru

Zero training needed, Image-to-LoRA(i2L) V2 уже вышел 🚀Обновлённая версия i2L стала заметно мощнее: теперь она может превратить одно или несколько референсных изображений в style LoRA за один прямой проход, без отдельного обучения для кастомизации визуального стиля.🌟 Что нового в V2:* Совместимость: работает с разными базовыми моделями, включая Z-Image, Klein-4B и Hidream-O1.* Скорость: прямое предсказание весов style LoRA без обучения.* Точность стиля: высокая верность переноса стиля без утечки семантики.* Контроль: явные веса открывают asymmetric CFG, смешивание стилей из нескольких референсов и управляемую генерацию.* Архитектура: image encoder, обучаемые LoRA queries и compressed decoding heads, которые генерируют адаптированные матрицы.🤖 Коллекция моделей: https://modelscope.ai/collections/DiffSynth-Studio/Image-to-LoRA-V2🎠 Studio: https://modelscope.ai/studios/DiffSynth-Studio/Z-Image-i2L-V2📄 Paper: https://modelscope.ai/papers/2606.13809@Python_Community_ru

SQLModel использует аннотации типов Python, чтобы объединить Pydantic и SQLAlchemy и уменьшить дублирование кода при работе с SQL-базами.* одна аннотация типа заменяет отдельные модели Pydantic и SQLAlchemy* хорошо совместим с FastAPI, Pydantic и SQLAlchemy* внутри работает на базе Pydantic и SQLAlchemy* разумные настройки по умолчанию уменьшают количество шаблонного кодаhttps://github.com/fastapi/sqlmodel@Python_Community_ru

🔍 Обнаружение уязвимостей с помощью AuditAudit — это агент для поиска уязвимостей, использующий 8-ступенчатую методологию, основанную на взаимодействии узких агентов и принципе "умышленного несогласия". Он интегрируется с Claude Pro и предлагает структурированные отчеты о безопасности.🚀 Основные моменты:- Многопоточность: узкие агенты работают параллельно для поиска уязвимостей.- Умышленное несогласие: второй агент проверяет выводы первого.- Отслеживание доступности: подтверждает, что уязвимости могут быть достигнуты злоумышленником.- Обратная связь: находит новые задачи на основе обнаруженных уязвимостей.📌 GitHub: https://github.com/evilsocket/audit#python@Python_Community_ru

TerminalTextEffects - это Python-библиотека без внешних зависимостей для добавления анимированного текста прямо в терминал.Что умеет:- работает прямо в текущем терминале и не ломает привычный workflow- поддерживает Xterm 256 и RGB HEX-цвета- умеет сложное движение символов через кривые Безье и плавное ускорение- эффекты можно настраивать через типизированный config dataclass- CLI-аргументы генерируются автоматически из конфигурацииhttps://github.com/ChrisBuilds/terminaltexteffects@Python_Community_ru

Nex-N2 - новое любопытное семейство агентных моделей.Что внутри:- Adaptive Thinking - модель сама подбирает глубину рассуждения на каждом шаге- экономия около 20% токенов без потери качества- Coherent Thinking - единый формат мышления для поиска, кодинга и tool use- меньше хрупких переключений между разными режимами работыПо заявлению команды, Nex-N2 показывает уровень Tier-1 open-source моделей на SWE-bench, Terminal-Bench, GDPval и других бенчмарках, приближаясь к GPT-5.5 и Opus 4.7.Звучит мощно, но такие цифры стоит проверять независимыми прогонами.- Kimi-K2.6: 86% - 13 из 14- MiniMax: 100% - 8 из 8- GLM-5.1: 100% - 13 из 13- DeepSeek-V4-Pro: 92% - 11 из 12- Opus 4.7: 45% - 5 из 11- GPT-5.5: 30% - 3 из 10🔗 https://nex-agi.com📦 https://huggingface.co/nex-agi/Nex-N2-Pro https://modelscope.cn/models/nex-agi/Nex-N2-Pro https://github.com/nex-agi/Nex-N2@Python_Community_ru

🚀 GPU-библиотека для классического машинного обученияFlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения.🚀Основные моменты:- Поддержка 15 высокоуровневых примитивов для машинного обучения.- Информативный API для оценки производительности операций.- Оптимизированные реализации для кластеризации, регрессии и декомпозиции.- Легкая интеграция с PyTorch и sklearn.📌 GitHub: https://github.com/FlashML-org/flashlib#python@Python_Community_ru