Python Community | Chat

🔥 Kimi K3 на 2,78 ТРИЛЛИОНА параметров запустили на CPU с 8 ГБ RAM. Без GPU, BLAS и фреймворков Проект kimi-k3-in-c реализует inference Kimi K3 практически с нуля на portable C99. Чекпоинт модели занимает 1,56 ТБ, но пик RAM при запуске составил всего 8,24 ГБ. Фокус в MoE и стриминге весов. Из 896 экспертов на токен выбираются только 16, а остальные веса не обязаны постоянно лежать в оперативной памяти. Огромная часть модели читается прямо с диска, поверх этого работает LRU-кэш экспертов. Цена такого трюка очевидна: скорость. При 8 ГБ RAM автор получил около 26,5 секунды на токен, при 64 ГБ уже 19,8 секунды, а на машине с 128+ ГБ, где нужные данные помещаются в память, около 5,6 секунды. Получается любопытная смена ограничения: гигантскую MoE уже можно заставить работать без серверной фермы. Вопрос теперь скорее в том, сколько диска и времени на токен вы готовы отдать за такой inference. github.com/FareedKhan-dev/kimi-k3-in-c #AI #Kimi #LLM #C #LocalAI @Python_Community_ru

🐍 Опытный Python-разработчик рассказал, для каких проектов в 2026 году он уже не выбирает Python первым. Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи. В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы. При этом это не очередное «Python умер». Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов. Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу. #/ #Python #Programming #SoftwareEngineering #Development @Python_Community_ru https://menno.io/presentations/not-python-2026/index.html

‍🐍 Python-разработчики часто тестируют код с зависимостью от времени. Но обычный mock для дат — это намного сложнее, чем кажется. Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов. Например: import datetime as dt import time_machine @time_machine.travel("2030-01-01") def test_future(): assert dt.date.today() == dt.date(2030, 1, 1) В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте. Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях. Полезно для тестирования: • подписок и платежей • истечения токенов • календарных функций • планировщиков задач • логики с дедлайнами Проект: https://github.com/adamchainz/time-machine https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/ @Python_Community_ru

10 GitHub-репозиториев, которые сильнее всего залетают прямо сейчас Собрал свежую подборку проектов, которые заметно растут и активно обсуждаются. 1. OpenAI Codex Coding agent от OpenAI для терминала и автоматизации разработки. https://github.com/openai/codex 2. God's Eye View OSINT и открытые геоданные на интерактивном 3D-глобусе: авиация, спутники и другие источники. https://github.com/bilawalsidhu/gods-eye-view 3. awesome-gpt-image-2 Большая библиотека промптов, примеров и шаблонов для GPT Image 2. https://github.com/freestylefly/awesome-gpt-image-2 4. mattpocock/skills Готовые skills и workflows для coding agents, которые можно переиспользовать вместо огромных промптов. https://github.com/mattpocock/skills 5. Archify Строит интерактивную карту архитектуры кодовой базы: sequence, data-flow, lifecycle и связи компонентов. https://github.com/tt-a1i/archify 6. Tailcat Инструмент от Tailscale для прямого соединения машин через WireGuard и NAT traversal. https://github.com/tailscale/tailcat 7. Prime Agent Self-improving coding agent для длинных автономных задач. https://github.com/PrimeIntellect-ai/prime-agent 8. Semantica Graph-native инфраструктура для хранения контекста, связей и происхождения данных в AI-системах. https://github.com/semantica-agi/semantica 9. Cursor Plugins Официальный репозиторий плагинов Cursor: orchestration, code review, continual learning и другие agent-функции. https://github.com/cursor/plugins 10. AnyDoc Инструмент от Firecrawl для превращения документов в структурированный контент для AI и RAG. https://github.com/firecrawl/anydoc Если смотреть на общий тренд недели: AI-агенты → agent skills → память и контекст → визуализация архитектуры → инструменты для автономной работы с окружением Сохраняй себе, чтобы не потерять! @Python_Community_ru