Python/ django

webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики. Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде: - проверки, следует ли вывод из заданных предпосылок - перевода текста в формальную логику - semantic parsing - формализации и критики доказательств в Lean По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам. - 3,66B параметров - Q4 GGUF весит всего 2,09 GiB - достаточно около 4 GB VRAM - можно запускать через llama.cpp - данные остаются локально Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial. https://huggingface.co/webAI-Official/TwIL-LM3-Pro

🐍 Python тормозит? В 3.15 добавили инструмент, который покажет где Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время. Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода. Что умеет: • Строить flame graphs и тепловые карты строк. • Показывать нагрузку в реальном времени. • Анализировать asyncio, ожидание I/O и удержание GIL. Подключение к процессу по PID: python3.15 -m profiling.sampling attach 12345 🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике: https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler

🖥 Python-дайджест недели: PyPy 8 с Python 3.12, отладка None и фреймворки для агентов PyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython. https://pypy.org/posts/2026/09/pypy-v800-release.html nonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке. https://pypi.org/project/nonetrace/ since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках. https://github.com/MohammadHijjawi97/since-cutoff Hardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода. https://pytorch.org/blog/hardware-agnostic-models-in-vllm/ Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках. https://digline.dev/blog/bad-evals-my-own/ CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе. https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bh Из проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов. https://github.com/strands-agents/harness-sdk https://github.com/confident-ai/deepteam Для обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов. https://github.com/anuj0456/OpenArch https://github.com/Human-Agent-Society/reef И приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run(). https://pythonhub.dev/digest/2026-10-04/ @pythonl

Python 3.15 почти готов: вышел RC3, финальный релиз 9 октября Python 3.15.0rc3 вышел 2 октября. Третий кандидат понадобился из-за нескольких блокирующих багов в ленивых импортах, которые решили обязательно закрыть до релиза. Финальная версия ожидается 9 октября. ABI больше не изменится, так что мейнтейнерам библиотек самое время собирать колёса под 3.15. Главное, что войдёт в релиз: lazy import torch # PEP 810: модуль загрузится только при первом обращении cfg = frozendict(lr=3e-4) # PEP 814: неизменяемый и хешируемый словарь flat = [*row for row in matrix] # PEP 798: распаковка прямо в генераторах списков Ленивые импорты вслепую ускоряют запуск CLI и скриптов, где тянется тяжёлый стек вроде torch или pandas. Для ML-кода это, пожалуй, самое заметное изменение. UTF-8 стал кодировкой по умолчанию на всех платформах, включая Windows, и проблема с open() без encoding= наконец уходит в прошлое. Ещё в релизе встроенный тип sentinel, новый семплирующий профайлер Tachyon в отдельном пакете для профилирования и улучшенные сообщения об ошибках. Экспериментальный JIT даёт 7–8% прироста на x86-64 Linux, а frame pointers включены по умолчанию, поэтому профилировать через perf станет проще. Для free-threaded сборок появился стабильный ABI, то есть шаг к Python без GIL в продакшене. В типизации добавили TypedDict с типизированными дополнительными ключами и TypeForm. Это всё ещё релиз-кандидат, так что в прод пока не стоит. Но погонять тесты своих проектов на нём самое время. https://www.python.org/downloads/release/python-3150rc3/ @pythonl

🦙 Ollaya: запуск моделей принятия решений в стиле Ollama. Скачиваете модель, поднимаете локальный сервер и получаете через API категорию, оценку или вероятность «да». Без генерации текста и разбора ответа LLM. Подходит для сортировки обращений, модерации, определения намерений и маршрутизации запросов. Что есть: • Laya, Decider, NLI, GLiClass и другие модели. • Работа на CPU и GPU. • API, совместимый с TypeSafe. • MCP для подключения к Claude Code, Cursor и другим агентам. • Windows, Linux и macOS, включая Apple Silicon. Для старта без NVIDIA GPU автор рекомендует Laya. Есть мультиязычная версия с поддержкой более 100 языков. Проект написан на Rust, лицензия Apache 2.0. У самих моделей сохраняются собственные лицензии. https://github.com/ollaya-dev/ollaya

Вышел Python 3.15: ленивые импорты, frozendict, UTF-8 по умолчанию и JIT, который наконец ускоряет код Состоялся стабильный релиз Python 3.15. Над ним поработали 1012 контрибьюторов, в версию вошло 5643 коммита. Самое заметное для повседневной работы это явные ленивые импорты из PEP 810. Тяжёлые модули вроде torch или transformers теперь можно подгружать только в момент первого обращения, и CLI-утилиты и скрипты стартуют заметно быстрее. Ещё одно долгожданное изменение: UTF-8 наконец стал кодировкой по умолчанию на всех платформах, так что сюрпризы с open() на Windows уходят в прошлое. В языке появились встроенные типы frozendict и sentinel, а в генераторах списков и словарей теперь работает распаковка через звёздочку. Сообщения об ошибках снова стали понятнее. Экспериментальный JIT серьёзно доработали. На x86-64 Linux он даёт в среднем 7-8% прироста к стандартному интерпретатору, на Apple Silicon 11-12%. Официальные сборки под Windows перешли на tail-calling интерпретатор, а установщик для macOS по умолчанию ставит поддержку free-threading. Для сборок без GIL появился стабильный ABI, это откроет дорогу бинарным пакетам под многопоточный Python. Для тех, кто ищет узкие места в коде, в стандартной библиотеке появился отдельный пакет profiling и высокочастотный сэмплирующий профайлер Tachyon. Указатели фреймов теперь включены по умолчанию, и системные профайлеры видят Python-стек без танцев с бубном. В типизации добавили TypedDict с типизированными дополнительными ключами, TypeForm и disjoint bases. Один нюанс для маководов: на macOS 27.0 приложения на tkinter, включая IDLE, могут зависать при открытии диалогов. Если работаете с Tk, с обновлением системы лучше подождать. Бонус от Барри Уорсо: текстовый квест whatsnewt, где каждая из 18 головоломок решается реальной фичей 3.15. Запускается командой uvx --python 3.15 whatsnewt. https://uproger.com/python-3-15-chto-novogo/

🐍 Ротация прокси в Python может обходиться без списка IP и `random.choice()` Если провайдер поддерживает ротацию на шлюзе, скрипт обращается к одному адресу. Выходные IP меняет сам сервис по выбранному режиму. Именно такой подход разобран в статье. Минимальный пример проверки: import os import requests # PROXY_URL: адрес шлюза с учётными данными proxy = os.environ["PROXY_URL"] proxies = {"http": proxy, "https": proxy} for _ in range(5): r = requests.get( "https://httpbin.org/ip", proxies=proxies, timeout=(5, 15), ) r.raise_for_status() print(r.json()["origin"]) Нюанс: ключ "https" обозначает протокол целевого сайта. Сам адрес прокси при этом может начинаться с http://. Это корректная настройка для HTTP-прокси. Ещё важно различать два режима: • Ротация меняет выходной IP согласно настройкам провайдера. • Sticky session закрепляет IP на некоторое время. При этом requests.Session() сохраняет cookies и переиспользует соединения, но самостоятельно IP не меняет. Политику ротации нужно проверять у провайдера. https://unlimitedresidentialproxy.com/blog/how-to-rotate-proxies-python

📱 35 млрд параметров на смартфоне с потреблением около 3 ГБ оперативной памяти. OpenBMB показала MiniCPM-V 4.7: мультимодальный ИИ, который локально читает вывески, разбирает документы и анализирует изображения и видео. Доступны две версии: • 35B-A3B: MoE-модель с 35 млрд параметров, из которых около 3 млрд активны при обработке токена. • 1B: компактный вариант для устройств с ограниченными ресурсами. Главная технология, Lookahead Expert Scheduling, заранее подгружает нужных экспертов из накопителя и совмещает загрузку с вычислениями. По данным команды, на iPhone 17 Pro Max модель выдаёт более 13 токенов в секунду. 3 ГБ здесь означают память во время работы: веса модели хранятся отдельно на накопителе. Также открыли Self-Replay Fine-Tuning для обучения новым задачам с меньшим забыванием прежних навыков. Поддерживаются iOS, Android и HarmonyOS. https://github.com/OpenBMB/MiniCPM-V

🖥 Datadog научила профилировщик Python понимать asyncio: флеймграфы со «стеками из стеков» и оверхед меньше на 60% Главная боль профилирования asyncio в том, что каждая задача выглядит как независимый стек. Время в запросе к Cassandra повисает в воздухе, и непонятно, какой именно путь в приложении его породил. Инженеры Datadog решили это так: профилировщик отслеживает, какая задача кого ждёт, строит дерево зависимостей и начиная с листьев надстраивает фреймы родителей поверх фреймов потомков. Код, разбитый на отдельные задачи, и обычные корутины в одной задаче теперь дают сопоставимые флеймграфы. Если задача живёт дольше создателя, время засчитывается создателю, пока он работает, а затем тому, кто её ждёт. Цена такого подхода высокая: к стоимости на поток добавляется O(n_tasks), а серверы держат много задач, поэтому адаптивный сэмплинг местами падал до минимальной одной выборки в секунду. Резервуарное сэмплирование задач команда отвергла, потому что для дерева нужны метаданные всех задач. Оверхед срезали тремя шагами. Убрали C++ исключения из пути сэмплирования, это около 15%. Интернировали строки имён функций и файлов, ещё около 25%. Заменили process_vm_readv, по системному вызову на каждый маленький объект, на memcpy с обработчиком сигнала для восстановления после ошибок памяти, это около 50% для синхронного кода. В сумме на сервисах с выкаченными изменениями оверхед упал более чем на 60%. В проде профилировщик нашёл бесконечный цикл в библиотеке pylzstring, которую затем починили в апстриме, и внутреннюю библиотеку, строившую большие debug-строки при логгере уровня INFO. Отдельно ИИ-агент через MCP и Dynamic Instrumentation оптимизировал функ ции на NumPy и снизил CPU в них на 15-30%. Улучшения доступны в свежих версиях ddtrace. Автор отмечает, что похожий подход принят в Tachyon, профилировщике CPython 3.15, но сравнения не делает, как и абсолютных цифр оверхеда. Источник: https://www.datadoghq.com/blog/engineering/async-python-profiler/

🧠 Tencent открыла Hy Memory: общую память для ИИ-ассистентов и редакторов кода Система объединяет память о переписках, работе и коде, чтобы контекст можно было использовать между Codex, Cursor, WorkBuddy и другими инструментами. Открыты модель, движок и приложение. В основе Hy-Memory-30B-A3B: 30 млрд параметров, из которых активны 3 млрд. По данным команды, система заняла первое место во всех четырёх проведённых бенчмарках, обойдя Opus 5 в тестах памяти: • +10,2 пункта на MemoryArena. • На 51,8% меньше объём памяти. • На 39,3% меньше токенов при извлечении воспоминаний. Модель работает и с чужими движками: Mem0, MemOS и EverMemOS. В одном из продуктов Tencent точность восстановления информации через несколько связанных фактов выросла с 50% до 90%. https://huggingface.co/tencent/Hy-Memory-30B-A3B

🔍 «Разберись, как это работает»: ИИ-агентам дали инструменты для реверс-инжиниринга REA, Reverse Engineer Anything, подключает Claude Code, Codex, Cursor и другие агенты к инструментам анализа программ через MCP. Можно попросить агента изучить функцию приложения без исходников: проследить вызовы, разобрать логику и на основе найденного написать похожую реализацию для своего проекта. Поддерживаются нативные бинарники, JavaScript и Electron, .NET, Android APK и сайты. Для глубокого анализа бинарников используются Ghidra, IDA или Hopper. Анализ выполняется локально. REA возвращает находки с подтверждениями и ограничениями, а агент использует их для дальнейшего исследования и написания кода. Результаты при этом передаются модели вашего провайдера. Исходный код целиком инструмент не восстанавливает, но помогает понять устройство программы вплоть до псевдокода и ассемблера. https://github.com/morluto/rea

🖥 Python 3.15 вышел, Polars 2.0 догнал DuckDB, а searchsorted в NumPy ускорили в 25 раз Свежий дайджест Python Hub за неделю, и в нём много полезного для тех, кто работает с данными и моделями. Главное событие: релиз Python 3.15.0 (https://www.python.org/downloads/release/python-3150/). Среди заметных новинок ленивые импорты, встроенный неизменяемый словарь, сэмплирующий профайлер и UTF-8 как кодировка по умолчанию. Рядом идёт обсуждение Rust для CPython (https://blog.python.org/2026/09/language-summit-2026-rust-for-cpython/): на языковом саммите предложили постепенно вводить его в интерпретатор, начиная с опционального zlib на Rust в Python 3.16. Polars 2.0 (https://pola.rs/posts/release-polars-2/) получил выгрузку на диск при нехватке памяти, полноценный SQL, тип Map и более строгую работу с типами. Авторы заявляют, что опережают DataFusion и DuckDB на TPC-H и TPC-DS. В NumPy 2.5 переписали np.searchsorted (https://blog.scientific-python.org/numpy/searchsorted/) на пакетные векторные операции, и прототип на C++ показал до 25 раз быстрее, чем в NumPy 2.4. Параллельно команда Quansight двигает NumPy к Limited API (https://labs.quansight.org/blog/limited_api_numpy), чтобы выпускать универсальные abi3-колёса. Для тех, кто возится с железом и инференсом: проект openTPU (https://github.com/FeSens/openTPU) выложил в открытый доступ ускоритель с RTL, ISA, симулятором и компилятором, на нём гоняют Qwen3 на плате Kintex-7. Библиотека rGPU (https://github.com/ymcrcat/rgpu) позволяет держать тензоры и выполнять операции PyTorch на удалённой видеокарте, в том числе с Mac без CUDA. Microsoft добавила в Windows (https://devblogs.microsoft.com/foundry-on-windows/build-on-winml-oct-7-26/) экспериментальную поддержку GGUF через llama.cpp, локальный эндпоинт, совместимый с OpenAI, и нативный PyTorch с Triton на Arm64. Отдельно стоит глянуть TurboPython (https://tpy-lang.org/), компилятор типизированного Python в C++, который собирает нативные бинарники без рантайма, сборщика му

🌟 SonicBoom: движок инференса без Python HardenedVault, которая специализируется на безопасности Linux и компиляторов, выложила среду исполнения SonicBoom, написанной с нуля на C++ и CUDA. Python ей не нужен ни для работы, ни для сборки. Цель проекта – локальный запуск языковых моделей на потребительских видеокартах. Всё упаковано в одну библиотеку libsonicboom.so, которую можно подключить из любого языка через стандартный интерфейс C, основным языком для работы с ней авторы выбрали Scheme в реализации GNU Guile. SonicBoom загружает модели в GGUF, генерирует текст на процессоре или видеокарте и поднимает локальный сервер, совместимый с API OpenAI. Если новый запрос начинается с того же текста, что и предыдущий, заново обрабатывается только добавленная часть, и результат до токена совпадает с полным пересчётом. 🟡Механика Скорость вывода дают уровни над вычислительными ядрами, а не сами ядра. Умножение квантованных матриц и токенизаторы частично перенесены из llama.cpp. Над ними работает планировщик, который до запуска переписывает граф модели целиком, сливает соседние операции и записывает весь шаг генерации токена в один CUDA Graph, т. е. в готовую последовательность команд для видеокарты. Ещё выше стоит компилятор на базе MLIR. Он сам генерирует часть ядер для GPU, в том числе для механизма внимания, и при первом запуске подбирает самый быстрый вариант под конкретную карту. 🟡Тесты На RTX 3050 с 8 ГБ памяти сравнили SonicBoom и llama.cpp на одних и тех же моделях. Gemma 4 E4B через SonicBoom дала генерацию в 53 токена в секунду против 44,8 у llama.cpp. У Qwen2.5-0.5B вышло 344,7 токена в секунду против 307,6. Когда контекст дорастает до 512 токенов, SonicBoom на Qwen уже чуть отстаёт. Единственный сторонний результат на RTX 4060 Ti оказался хуже llama.cpp, 73,6 токена в секунду против 78, но его получили на сборке, ещё не настроенной под эту видеокарту. Пока проверены только две модели, Gemma 4 E4B-it и Qwen2.5-0.5B-Instruct, и только видеокарты сери