💾🎉 copyparty - ваш файловый сервер на любом устройстве

Copyparty позволяет легко превратить любое устройство в файловый сервер с поддержкой возобновляемых загрузок и скачиваний через веб-браузер. Работает на Python и поддерживает различные протоколы, включая HTTP, WebDAV и FTP.

🚀Основные моменты:
- Поддержка множества протоколов для доступа к файлам.
- Удобный интерфейс для загрузки и управления файлами.
- Возможность создания временных ссылок для обмена файлами.
- Поддержка мобильных приложений для Android и iOS.

📌 GitHub: https://github.com/9001/copyparty

#python

@Python_Community_ru

🖥 Если вы вдруг пропустили в Python 3.14 можно отключить GIL!

Это огромное обновление: раньше, даже если вы писали многопоточный код, Python выполнял только один поток за раз, и вы не получали прироста производительности.

Теперь же Python способен реально выполнять потоки параллельно.

И библиотека uv уже полностью поддерживает эту возможность!

Посмотрите сравнение скорости на прикрепленном видео.

@Python_Community_ru

🎨🚀 HunyuanImage-2.1: Эффективная модель диффузии для генерации изображений

HunyuanImage-2.1 — это мощная модель для создания высококачественных изображений (2048x2048) на основе текстовых описаний. Используя передовые технологии, она значительно улучшает согласование текста и изображения, обеспечивая высокую степень детализации и эстетики.

🚀Основные моменты:
- Генерация изображений высокого разрешения (2K).
- Многоязычная поддержка и улучшенное согласование текста.
- Использование обучения с подкреплением для повышения качества.
- Эффективная архитектура с низкими вычислительными затратами.
- Модуль PromptEnhancer для улучшения производительности.

📌 GitHub: https://github.com/Tencent-Hunyuan/HunyuanImage-2.1

@Python_Community_ru

🧠 CraftGPT: AI в Minecraft

CraftGPT — это небольшой языковой модель, предназначенный для работы в Minecraft, обученный на наборе данных TinyChat. Модель может выдавать не совсем корректные или нерелевантные ответы и имеет ограниченное окно контекста в 64 токена. Для оптимальной работы требуется MCHPRS, который использует механизмы редстоуна.

🚀Основные моменты:
- Работает в Minecraft с использованием редстоуна.
- Требует 32 ГБ ОЗУ для загрузки сервера.
- Может занять часы для генерации ответа.
- Рекомендуется тестировать ввод на эмуляторе.
- Ограниченная производительность и качество ответов.

📌 GitHub: https://github.com/sammyuri/craftgpt



#python

@Python_Community_ru

🎥 Обертка для ComfyUI: WanVideoWrapper

WanVideoWrapper — это инструмент для интеграции видео в ComfyUI, позволяющий легко обрабатывать и визуализировать видеофайлы. Проект предлагает простое решение для работы с видео в рамках интерфейса, расширяя его функциональность.

🚀 Основные моменты:
- Поддержка различных форматов видео
- Легкая интеграция с ComfyUI
- Удобный интерфейс для пользователей
- Возможность настройки параметров обработки
- Активное сообщество и поддержка

📌 GitHub:

#python

@Python_Community_ru

https://github.com/eddyhhlure1Eddy/ode-ComfyUI-WanVideoWrapper

🔥 Pandas трюк: ускоряем группировки с map вместо merge_groupby

Когда нужно добавить агрегированные значения (например, среднее по группе) обратно в исходный DataFrame, большинство разработчиков делают groupby().transform() или merge().
Но есть менее известный способ — использовать map() после groupby().mean(), который в некоторых случаях работает в 2–3 раза быстрее и требует меньше памяти.

Фокус в том, что groupby().mean() создаёт компактный Series, где индекс — это категория, а значения — результат агрегации.
А map() просто подставляет их обратно в исходный DataFrame без тяжёлого join.


import pandas as pd
import numpy as np

# пример данных
N = 5_000_000
df = pd.DataFrame({
"group": np.random.choice(["A", "B", "C", "D"], N),
"value": np.random.randn(N)
})

# классический подход
df["mean_value_merge"] = df["group"].map(df.groupby("group")["value"].mean())

# сравнение с transform
df["mean_value_transform"] = df.groupby("group")["value"].transform("mean")

# идентичность результата
print(df["mean_value_merge"].equals(df["mean_value_transform"]))


Это особенно полезно на миллионах строк, когда transform начинает “проседать”.
Метод даёт тот же результат, но заметно экономнее по CPU и RAM.

@Python_Community_ru

🧩 Эффективное кэширование для Python-приложений

dm-cache — это библиотека для кэширования данных в Python, которая обеспечивает высокую производительность и простоту использования. Она поддерживает различные стратегии кэширования и позволяет легко интегрироваться в существующие приложения, улучшая их скорость и отзывчивость.

🚀 Основные моменты:
- Поддержка различных стратегий кэширования.
- Простая интеграция в Python-приложения.
- Высокая производительность и эффективность.
- Легкий в использовании API.

📌 GitHub:

#python

@Python_Community_ru

https://github.com/mingzhao/dm-cache

🦾 Собери собственного человекоподобного робота!

OpenArm - это открытый проект гуманоидного робота, включающий всё необходимое для сборки, модификации и управления собственными роботизированными руками.

В комплект входят CAD-модели, прошивка, управляющее ПО и симуляторы, так что можно сразу перейти от идеи к реальному устройству.
Система поддерживает телеоперацию с обратной связью по усилию и гравитационную компенсацию, позволяя оператору управлять рукой естественно и точно.

💡 OpenArm интегрируется с MuJoCo и Isaac Sim, что позволяет тестировать управление в виртуальной среде перед запуском на железе.
Проект ориентирован на исследовательские лаборатории, стартапы и энтузиастов, желающих изучать манипуляцию и взаимодействие человека с роботом.

🔩 Можно собрать из набора деталей или заказать готовую сборку - цель OpenArm сделать робототехнику доступной и прозрачной для всех.
Разработкой занимается команда Enactic (Токио, Япония).

GitHub: https://github.com/enactic/OpenArm

@Python_Community_ru

👩‍💻 FastMCP (https://github.com/jlowin/fastmcp) — Быстрый, Python-способ создания MCP-серверов!

🌟 Серверы Model Context Protocol (MCP) — это новый стандартизированный способ предоставления контекста и инструментов вашим LLM, а FastMCP делает создание серверов MCP простым и интуитивно понятным. Создавайте инструменты, предоставляйте ресурсы и определяйте подсказки с помощью чистого кода Python!

🔐 Лицензия: MIT

🖥 Github (https://github.com/jlowin/fastmcp)

@Python_Community_ru

🤖 MimicKit: Алгоритмы имитации движений для тренировки контроллеров

MimicKit предлагает набор алгоритмов для имитации движений, включая DeepMimic и другие. Поддерживает обучение с использованием методов глубокого обучения и RL, таких как PPO и AWR. Идеально подходит для создания реалистичных анимаций.

🚀Основные моменты:
- Алгоритмы имитации движений и RL.
- Поддержка многопроцессорного и многопоточного обучения.
- Визуализация тренировочных данных и логов.
- Простая интеграция с IsaacGym.

📌 GitHub: https://github.com/xbpeng/MimicKit

#python

@Python_Community_ru

🎧 Хотите превратить любую книгу в аудиокнигу?

Нашли бесплатную нейронку, которая за считанные секунды озвучит даже огромный роман.

✨ Возможности:
— Поддержка множества языков
— Реалистичные голоса от модели KokoroTTS
— Можно создать собственный голос, если готовые не подходят
— Простая установка без лишних заморочек
— Полностью open-source и бесплатный инструмент

🔗 Забираем на GitHub — и слушаем либимые книги 📚🎶

https://github.com/denizsafak/abogen

@Python_Community_ru

‍🔥 Video2X (https://github.com/k4yt3x/video2x) — фреймворк с открытым исходным кодом, предназначенный для повышения разрешения видео и интерполяции кадров с использованием методов машинного обучения!

🌟 Изначально созданный в 2018 году на хакатоне Hack the Valley II, проект претерпел значительные изменения, и в версии 6.0.0 был полностью переписан на C/C++, что обеспечило более высокую производительность и эффективность. Video2X поддерживает кроссплатформенную работу на Windows и Linux, предоставляя пользователям возможность улучшать качество видео с помощью таких технологий, как Anime4K v4, RealESRGAN, RealCUGAN и RIFE.

💡 Основные возможности Video2X включают два режима работы: фильтрация (увеличение разрешения) и интерполяция кадров. Инструмент поддерживает различные модели и шейдеры, совместимые с MPV, а также обеспечивает обработку без необходимости в дополнительном дисковом пространстве, требуя только место для конечного результата.

🔐 Лицензия: AGPL-3.0

🖥 Github (https://github.com/k4yt3x/video2x)

@Python_Community_ru

👩‍💻 django-cors-headers (https://github.com/adamchainz/django-cors-headers) — Django-приложение для обработки заголовков Cross-Origin Resource Sharing (CORS)!

🌟 Этот инструмент позволяет вашему Django-приложению принимать запросы из браузеров, отправленные с других доменов. Это особенно полезно для API-серверов или приложений, которые обслуживают фронтенд и бэкенд с разных доменов или портов.

🌟 Инструмент позволяет гибко управлять настройками CORS, включая поддержку конкретных методов, заголовков и настроек безопасности. Например, вы можете настроить разрешение только для определённых доменов или включить временный доступ для локальной разработки. Однако важно понимать риски, связанные с CORS, поскольку неправильная конфигурация может открыть доступ к вашим данным для нежелательных источников.

🔐 Лицензия: MIT

🖥 Github (https://github.com/adamchainz/django-cors-headers)

@Python_Community_ru

🧠 Human3R: Инновации в 3D-моделировании человека

Human3R предлагает эффективный подход к 3D-восстановлению человека с использованием единой модели и этапа. Система позволяет проводить обучение всего за один день на одном GPU, обеспечивая высокую производительность и простоту в использовании.

🚀 Основные моменты:
- Одноэтапное восстановление 3D-моделей.
- Быстрое обучение на одном GPU.
- Поддержка различных форматов ввода.
- Интуитивно понятный интерфейс для визуализации результатов.

📌 GitHub:

#python

@Python_Community_ru

https://github.com/fanegg/Human3R

🖥 Python 3.15 - что нового

Вышла новая версия Python 3.15, и в ней несколько заметных обновлений, особенно для тех, кто работает с производительностью и отладкой.

🔧 Главные изменения:
- Добавлен новый модуль profiling.sampling — инструмент статистического профилирования,
который позволяет анализировать производительность кода без пауз и overhead’а.
- Оптимизирована стандартная библиотека: многие функции теперь работают быстрее.
- Улучшен сборщик мусора и работа с памятью.
- Расширена поддержка аннотаций типов.
- Повышена стабильность и снижена нагрузка на интерпретатор при многопоточности.

📈 Зачем обновляться:
- Новый профайлер поможет находить узкие места в коде без остановки приложения.
- Версия стабильна и готова для продакшена.
- Меньше задержек, меньше overhead, лучше работа с async-кодом и большими данными.

Подробнее: https://docs.python.org/3.15/whatsnew/3.15.html

#Python #Update #Performance #Developers

@Python_Community_ru

🧠 The Markovian Thinker: Революция в обучении LLM

The Markovian Thinker предлагает новый подход к обучению языковых моделей с использованием фиксированного размера состояния, что снижает вычислительные затраты. Метод Delethink разбивает генерацию на фиксированные части, позволяя модели эффективно продвигать мысли, сохраняя контекст.

🚀Основные моменты:
- Новый парадигма "Марковское мышление" для LLM.
- Метод Delethink использует фиксированные размеры контекста.
- Сравнение с LongCoT показывает лучшие результаты при меньших затратах.
- Поддержка масштабирования до 96K токенов.
- Применение в современных LLM, таких как GPT-OSS и Qwen3.

📌 GitHub: https://github.com/McGill-NLP/the-markovian-thinker

@Python_Community_ru

🤖 Dexter: Автономный финансовый исследователь

Dexter - это интеллектуальный агент, который анализирует финансовые данные, планирует задачи и учится на ходу. Он превращает сложные финансовые вопросы в четкие исследовательские планы, используя актуальные рыночные данные и самопроверку для достижения точных ответов.

🚀Основные моменты:
- Автоматическое планирование задач для сложных запросов
- Автономное выполнение с использованием финансовых инструментов
- Самопроверка и итерации для повышения точности
- Доступ к актуальным финансовым данным
- Защита от бесконечного выполнения задач

📌 GitHub: https://github.com/virattt/dexter

@Python_Community_ru

🖥 Microsoft представила новый цикл лекций по Python и искусственному интеллекту.

В курсе собрали актуальную информацию по коллегу на Python и создании продвинутых ИИ помощников, основанных.

• Содержание: Курс включает 9 лекций, дополненных видеоматериалами, подробными презентациями и примерами кода. Обучение разработке ИИ-агентов доступно даже для новичков в кодировании.
• Темы: В лекциях рассматриваются такие темы, такие как RAG (Retrieval-Augmented Generation), эмбеддинги, агенты и протокол MCP.

Идеальный план на выходные - углубиться в ИИ!

https://github.com/orgs/azure-ai-foundry/discussions/166

@Python_Community_ru

🔥 10 Python-библиотек, которые должен знать каждый разработчик LLM и GenAI

1️⃣ [LangChain](https://www.langchain.com/ (https://www.langchain.com/))
Фреймворк для создания LLM-приложений, агентов и инструментов.
Позволяет соединять языковые модели с базами данных, API и внешними сервисами.
Идеален для построения RAG-систем, чат-ботов и аналитических ассистентов.

2️⃣ [LangGraph](https://github.com/langchain-ai/langgraph (https://github.com/langchain-ai/langgraph))
Надстройка над LangChain для создания сложных многоагентных систем.
Поддерживает условную логику, ветвления и сохранение состояния.
Используется для разработки автономных агентов, которые сотрудничают и планируют задачи.

3️⃣ [Docling](https://github.com/DS4SD/docling (https://github.com/DS4SD/docling))
Инструмент для анализа и извлечения информации из документов.
Объединяет LLM, LangChain и RAG-подход для “умного” чтения PDF, таблиц и сканов.
Подходит для систем документооборота, юридических и научных данных.

4️⃣ [OpenAI Python SDK](https://github.com/openai/openai-python (https://github.com/openai/openai-python))
Официальная библиотека для работы с моделями GPT-4o, DALL-E, Whisper и другими API OpenAI.
Позволяет вызывать модели, генерировать текст, изображения и транскрибировать аудио в несколько строк кода.
Главный инструмент для интеграции мощных моделей в свои Python-приложения.

5️⃣ [Markitdown (Microsoft)](https://github.com/microsoft/markitdown (https://github.com/microsoft/markitdown))
Библиотека от Microsoft для создания интерфейсов LLM-приложений с использованием Markdown.
Позволяет описывать UI и рабочие процессы прямо в тексте — быстро, удобно и без JavaScript.
Полезна для автоматизации LLM-воркфлоу и простых чат-интерфейсов.

6️⃣ [Streamlit](https://streamlit.io/ (https://streamlit.io/))
Фреймворк для построения интерактивных AI-дашбордов и веб-приложений.
Позволяет визуализировать результаты модели, строить формы ввода, графики и интерактивные элементы.
Отличный выбор для быстрой демонстрации или внутреннего прототипа GenAI-проекта.

7️⃣ [FastAPI](https://fastapi.tiangolo.com/ (https://fastapi.tiangolo.com/))
Высокопроизводительный фреймворк для создания REST и WebSocket API.
Идеален для деплоя ML и LLM моделей в продакшене.
Быстрый, типизированный и легко масштабируемый — стандарт де-факто в AI-бэкендах.

8️⃣ [Faiss](https://github.com/facebookresearch/faiss (https://github.com/facebookresearch/faiss))
Библиотека для векторного поиска и кластеризации эмбеддингов.

Молниеносно ищет похожие тексты, изображения или документы в огромных наборах данных.
Необходима в RAG-системах, рекомендациях и семантическом поиске.

9️⃣ [SentenceTransformers](https://www.sbert.net/ (https://www.sbert.net/))
Набор моделей для генерации эмбеддингов предложений, текстов и документов.
Даёт качественные векторные представления для поиска, кластеризации и анализа смысловой близости.
Отлично работает вместе с Faiss и LangChain.

🔟 [MLflow](https://mlflow.org/ (https://mlflow.org/))
Инструмент для трекинга экспериментов, управления моделями и деплоя ML-проектов.
Позволяет отслеживать метрики, сравнивать версии и хранить модели в централизованном реестре.
Незаменим при построении воспроизводимого и управляемого MLOps-процесса.

⚙️ Эти библиотеки формируют единый стек для создания LLM-агентов, RAG-систем, аналитических ассистентов и AI-сервисов — от эксперимента до продакшена.

@Python_Community_ru