Python вопросы с собеседований

⚡️ DeepSeek открыла веса DeepSeek-V4-Flash-Vision-Exp Спустя 10 дней после релиза, модель на 305 млрд параметров опубликована под лицензий MIT. Чекпоинт экспериментальный, её собрали на архитектуре V4-Flash, добавили визуальные модули и дообучили на понимание изображений, что бы получился агент, который умеет разбирать скриншоты, читать графики и работать с инструментами. 🟡Мультимодальные задачи На ApexBench модель берет 36,5 балла против 26,2 у предыдущей V4-Flash-0731. Тут сравнение не совсем честное - старая модель не поддерживает изображения во входных данных. На Agents' Last Exam новинка дает 27,3 против 25,7 у Opus 4.8, на ZeroBench - 35,0 против 34,0. На ApexBench и Chartography от того же Opus пока отстает - 36,5 против 39,4 и 64,3 против 65,0. 🟡Текстовые задачи Toolathlon-Verified - 75,9 против 70,3 у предшественницы, NL2Repo - 57,7 против 54,2. Просела только Cybergym, 75,3 против 76,7. На DeepSWE модель обходит и Opus 4.8 - 59,3 против 58,0. На Terminal Bench 2.1 уступает - 83,9 против 85,0. В репозитории лежат токенизатор, минимальный инференс на PyTorch с визуальным энкодером, DFlash-вниманием, MoE, Hyper-Connections и прямым проходом DSpark. Картинки можно подавать и блоками в стиле OpenAI, и компактной записью через теги. Запускается через vLLM, SGLang, Transformers и Docker. Cообщество уже сделало квантованные версии для локального запуска. @ai_machinelearning_big_data #news #ai #ml

CPython официально добавил поддержку RISC-V 🚀 RISC-V теперь официально поддерживается CPython как платформа Tier 3. Это важный шаг для открытой архитектуры процессоров: в отличие от x86 и ARM, RISC-V основана на открытом ISA и может свободно использоваться производителями железа. До этого Python уже запускался на RISC-V, но теперь архитектура официально внесена в PEP 11. Для неё появились постоянные buildbot-тесты на реальном RISC-V-железе, предоставленном RISE Project. Следующие цели: - добавить RISC-V непосредственно в CI CPython; - быстрее находить архитектурные баги до merge; - со временем поднять поддержку до Tier 2; - добавить оптимизации CPython специально под возможности RISC-V. - Для Python это ещё один шаг к полноценной поддержке RISC-V не только на уровне интерпретатора, но и всей экосистемы пакетов и инструментов. https://blog.python.org/2026/08/riscv-now-officially-supported/

🐍 Python считает эти даты равными. Хотя между ними целый час В ночь перевода часов время 02:30 наступает дважды: from datetime import datetime, UTC from zoneinfo import ZoneInfo tz = ZoneInfo("Europe/Berlin") a = datetime(2026, 10, 25, 2, 30, tzinfo=tz, fold=0) b = datetime(2026, 10, 25, 2, 30, tzinfo=tz, fold=1) print(a) # 2026-10-25 02:30:00+02:00 print(b) # 2026-10-25 02:30:00+01:00 Это разные моменты: a = 00:30 UTC b = 01:30 UTC Но Python выдаёт: a == b # True b - a # 0:00:00 len({a, b}) # 1 Причина: если у двух datetime один объект tzinfo, при сравнении Python игнорирует смещение и fold. Из-за этого дедупликация может принять два платежа, заказа или события за одно. Для сравнения реальных моментов переводите время в UTC: a_utc = a.astimezone(UTC) b_utc = b.astimezone(UTC) a_utc == b_utc # False (b_utc - a_utc).total_seconds() # 3600.0 Используйте astimezone(UTC). Метод replace(tzinfo=UTC) только заменяет метку и не пересчитывает время. https://docs.python.org/3/library/datetime.html https://peps.python.org/pep-0495/

🌦 Linecast — погода, карты, радар, приливы, Солнце и Луна прямо в терминале Open-source CLI превращает публичные данные в шесть интерактивных приложений: - linecast weather — погода, почасовой прогноз, AQI и предупреждения - linecast sunshine — восход, закат и длина дня - linecast moon — фазы Луны, восход/заход и календарь - linecast tides — график приливов и отливов - linecast radar — анимированный радар и спутниковые данные - linecast maps — карты, рельеф, поиск мест и маршруты Работает на macOS, Linux и Windows. Написан на Python, почти без зависимостей, не требует аккаунта или API-ключей и подстраивает цвета под тему терминала. Можно даже запустить без установки: uvx linecast weather GitHub: https://github.com/ashuttl/linecast

🐍 Как правильно использовать Lock в Python multiprocessing Если несколько процессов одновременно пишут в общий ресурс — файл, stdout, shared memory — вывод или данные могут перемешиваться. Для этого есть multiprocessing.Lock: from multiprocessing import Process, Lock def printer(item, lock): with lock: print(item) if __name__ == "__main__": lock = Lock() for item in ["tango", "foxtrot", 10]: Process(target=printer, args=(item, lock)).start() Lock гарантирует, что критическую секцию в конкретный момент выполняет только один процесс. Вместо ручных: lock.acquire() → try/finally → lock.release() обычно удобнее использовать: with lock: Особенно полезно при работе с файлами, логами и общими структурами данных между процессами.

📚 Бесплатная книга по математике для Computer Science и Machine Learning - более 2200 страниц Жан Галлье и Джоселин Куэйнтанс собрали в одном учебнике алгебру, топологию, дифференциальное исчисление и теорию оптимизации. Материал для тех, кто хочет глубже разобраться в математической основе алгоритмов и машинного обучения. Книга на английском, полная рукопись доступна бесплатно в PDF. https://www.cis.upenn.edu/~jean/gbooks/geomath.html

✔️ QuiverAI выпустила обновление генератора векторной графики Во второе поколение семейства вошли две модели - Arrow 2 и флагманская Arrow 2 Telos. Обновление принесло скорость генерации, улучшенную геометрию и композицию. В готовом файле стало меньше опорных точек, меньше лишних узлов и перекрывающихся контуров, а отступы и выравнивание элементов держатся без дополнительных инструкций в промптах. 🟡Сценарии применения 🟢серии иллюстраций в одном стиле по образцу с сохранением палитры и пластики форм; 🟢схемы с выделением нужных элементов; 🟢технические чертежи с удержанием консистентности; 🟢векторизация растровых эскизов в редактируемый SVG; 🟢анимация интерфейсной моторики и плоская структурированная графика (раскрытие логотипов, состояния загрузки, анимированные иконки). Telos добавляет доработку возможностями топовых языковых моделей. QuiverAI советует брать Arrow 2, когда важны скорость и цена за одно изображение, а Telos - под сложные брифы. 🟡Стоимость Разделения моделей по тарифам в описании планов нет. Предлагаются подписки Go (8 долларов в месяц), Basic (20), Pro (40), плюс корпоративный план по запросу. Для Go есть 14-дневный пробный доступ с привязкой карты. В тарифы входит недельная квота, которая обнуляется по понедельникам и не переносится, перерасход списывается с баланса. API тарифицируется отдельно и тоже требует предоплаты. @ai_machinelearning_big_data #news #ai #ml

✔️ Кто подключился к вашей сети? NetAlertX обнаруживает устройства и уведомляет об изменениях. Открытый инструмент для домашней лаборатории, офиса или нескольких филиалов. Собирает сведения об устройствах в одном веб-интерфейсе и помогает заметить неизвестное оборудование. Что умеет: — Обнаруживать устройства через ARP-сканирование, DHCP, Pi-hole, UniFi и SNMP. — Отслеживать подключения, отключения и изменения IP-адресов. — Отправлять уведомления в Telegram через Apprise, а также в ntfy, Pushover и другие сервисы. — Объединять данные из разных VLAN и удалённых сетей через распределённые узлы Sync Nodes. — Передавать события в Home Assistant, запускать автоматизации через вебхуки и экспортировать метрики в Prometheus. Разворачивается на своём сервере, в том числе через Docker. По умолчанию данные хранятся локально; внешняя передача появляется при настройке уведомлений и интеграций. https://github.com/netalertx/NetAlertX

Как правильно получить случайное число в Python Если нужен диапазон от 1 до 100 включительно, используйте: import random x = random.randint(1, 100) Можно импортировать функцию напрямую: from random import randint x = randint(1, 100) Второй вариант просто короче, но не делает код «профессиональнее». int(random.random() * 100) возвращает числа от 0 до 99, поэтому пример на изображении даёт другой диапазон. Для паролей, токенов и других задач безопасности используйте secrets: import secrets x = secrets.randbelow(100) + 1

Визуализация данных на Python: 10 лучших примеров с кодом Визуализация данных на Python - один из самых быстрых способов понять, что происходит в данных. Один удачный график заменяет десятки строк df.describe(): сразу видны тренды, выбросы, корреляции и аномалии. В этой статье собраны 10 лучших примеров визуализации данных на Python с готовым кодом на Matplotlib, Seaborn и Plotly. Все примеры используют открытые учебные датасеты, поэтому их можно запустить в Jupyter Notebook или Google Colab без подготовки данных. https://uproger.com/vizualizaciya-dannyh-na-python-10-primerov/

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

Миниатюра из фотографии за 4 строки Python 🐍 from PIL import Image with Image.open("my_image.jpg") as image: image.thumbnail((128, 128)) image.save("thumbnail.jpg") Pillow уменьшит фото до размера не больше 128 × 128 пикселей, сохранив пропорции. Если исходник меньше, увеличивать его не будет. Установить библиотеку: pip install Pillow *На картинке в save() указана переменная thumbnail_path, но она не объявлена. В примере выше это исправлено.*

🌟 OpenScience: персональный учёный с режимом автономных экспериментов Стартап Synthetic Sciences из зимнего набора Y Combinator 2026 года вывел на Product Hunt OpenScience – открытую рабочую среду с ИИ-агентом для научных исследований. Сам агент компания выложила ещё в июле, а главное из обновления – режим Autoresearch, в котором агент без участия человека ставит серию экспериментов и улучшает заданную метрику. OpenScience ведёт исследование целиком, от обзора литературы и гипотезы до кода, эксперимента, анализа и текста статьи. Агенту доступны 295 встроенных навыков, от обучения моделей до молекулярной биологии, хемоинформатики и вёрстки в LaTeX, и около сорока научных баз, среди них UniProt, PDB, ChEMBL, PubChem, arXiv и Semantic Scholar. 🟡Механика В Autoresearch задачу ставят обычными словами, например - снизить функцию потерь на валидационной выборке, остановить работу через час или при выходе метрики на плато и закончить после 20 запусков или 8 часов. Агент сначала запускает базовый вариант, затем по очереди проверяет идеи, отсортированные по ожидаемой пользе, и по каждому запуску решает, сохранить изменение или откатить. Чтобы цикл не затроил, после четырёх стартов без прогресса агент переключается на идеи другого типа, плюс каждые шесть запусков пересматривает подход. Ход работы записывается в файлы с постановкой задачи, очередью идей, таблицей результатов и выводами. Среда собрана как настольное приложение с деревом файлов, редактором, терминалом и просмотрщиками молекул, структур и геномов. Модель выбирается, подойдут собственные ключи Anthropic, OpenAI, Google и других провайдеров, вход по подписке ChatGPT или Codex, локальные модели и фирменный сервис Ace. Эксперименты запускаются локально, по SSH, в кластере под Slurm или PBS или в облаке Modal. Метрики собирает встроенный трекер, скрипты под wandb работают с ним без переделки. 🟡 Тесты На Terminal-Bench Science агент решил 53 задачи из 70, это 75,7%. В этом тесте OpenScience управляла GPT-6

🔥 Почему Python-библиотеки всё чаще пишут критичные части на Rust Например, Pydantic v2 использует pydantic-core, написанный на Rust. Связка работает через PyO3: Rust-функции компилируются в нативную библиотеку, после чего Python импортирует её как обычный модуль. Но есть интересный нюанс: ускорить сам алгоритм недостаточно. При возврате большого результата Rust должен превратить свои структуры в Python dict, list, str, float и другие объекты. Для больших данных эта конвертация может занимать больше времени, чем сама обработка в Rust. Главный вывод: если переносите горячий код Python на Rust через PyO3, профилируйте не только вычисления, но и границу между двумя языками. Иногда именно она съедает весь выигрыш в производительности. https://belderbos.dev/blog/how-libraries-run-rust-inside-python/

🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python. Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые https://github.com/justxor/python-primery-koda-2026/

Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026) Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14. https://uproger.com/voprosy-na-sobesedovanii-python-senior/

🖥 Лучшие практики Python 2026: 20 правил для кода в эпоху ИИ 20 практик написания Python-кода в 2026 году, когда значительную часть кода пишут ИИ-ассистенты: uv, Ruff, типы, Pydantic, тесты, безопасность зависимостей, t-строки и новое в Python 3.14 и 3.15. В 2026 году заметная часть Python-кода в командах появляется из Copilot, Claude Code, Cursor и других ассистентов. Код пишется быстрее, и плохие привычки обходятся дороже: агент охотно размножит неудачный паттерн по всему репозиторию, предложит несуществующую библиотеку или напишет код, который никто в команде толком не понимает. Ниже 20 практик, которые помогают держать качество под контролем. Часть касается инструментов, часть процессов, и почти все одинаково полезны для кода, написанного руками, и для кода, который сгенерировала модель. https://uproger.com/luchshie-praktiki-python-2026/