📄🚀 Qwen-Doc: Открытые проекты по пониманию документов
Qwen-Doc — это репозиторий, посвященный ИИ для работы с документами, разработанный командой Tongyi-Zhiwen. Здесь собраны исследования и практики, направленные на улучшение обработки сложных документов с помощью современных технологий, включая обучение с подкреплением и долгосрочное понимание контекста.
🚀Основные моменты:
- Модели для долгосрочного понимания документов.
- Использование обучения с подкреплением для улучшения ИИ.
- Открытые данные и методологии для сообщества.
- Проекты QwenLong-L1 и QwenLong-L1.5 с передовыми алгоритмами.
- FRAMEWORK SPELL для автономного генерации обучающих данных.
📌 GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc
#python
@Python_Community_ru
Qwen-Doc — это репозиторий, посвященный ИИ для работы с документами, разработанный командой Tongyi-Zhiwen. Здесь собраны исследования и практики, направленные на улучшение обработки сложных документов с помощью современных технологий, включая обучение с подкреплением и долгосрочное понимание контекста.
🚀Основные моменты:
- Модели для долгосрочного понимания документов.
- Использование обучения с подкреплением для улучшения ИИ.
- Открытые данные и методологии для сообщества.
- Проекты QwenLong-L1 и QwenLong-L1.5 с передовыми алгоритмами.
- FRAMEWORK SPELL для автономного генерации обучающих данных.
📌 GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc
#python
@Python_Community_ru
🚀 Модели IQuest-Coder-V1 для автономного программирования
IQuest-Coder-V1 — это семейство больших языковых моделей, предназначенных для улучшения автономного программирования и интеллектуального анализа кода. Модели используют инновационную многослойную парадигму обучения, обеспечивая выдающиеся результаты на ключевых бенчмарках.
🚀 Основные моменты:
- Достигает лучших результатов на SWE-Bench и других бенчмарках.
- Обучение на основе динамики изменений в репозиториях.
- Два специализированных направления: Thinking и Instruct модели.
- Поддержка контекста до 128K токенов.
- Эффективная архитектура с рекуррентным механизмом.
📌 GitHub: https://github.com/IQuestLab/IQuest-Coder-V1
#python
@Python_Community_ru
IQuest-Coder-V1 — это семейство больших языковых моделей, предназначенных для улучшения автономного программирования и интеллектуального анализа кода. Модели используют инновационную многослойную парадигму обучения, обеспечивая выдающиеся результаты на ключевых бенчмарках.
🚀 Основные моменты:
- Достигает лучших результатов на SWE-Bench и других бенчмарках.
- Обучение на основе динамики изменений в репозиториях.
- Два специализированных направления: Thinking и Instruct модели.
- Поддержка контекста до 128K токенов.
- Эффективная архитектура с рекуррентным механизмом.
📌 GitHub: https://github.com/IQuestLab/IQuest-Coder-V1
#python
@Python_Community_ru
📹 Загрузчик видео с YouTube и других платформ
tuitube — это текстовый интерфейс для загрузки видео с YouTube, 𝕏, Twitch, Instagram и Bilibili с использованием yt-dlp. Удобный инструмент для тех, кто предпочитает командную строку.
🚀 Основные моменты:
- Поддержка множества видео платформ
- Использует yt-dlp для загрузки
- Простой текстовый интерфейс
- Легко настраивается и использует командную строку
📌 GitHub: https://github.com/remorses/tuitube
#python
@Python_Community_ru
tuitube — это текстовый интерфейс для загрузки видео с YouTube, 𝕏, Twitch, Instagram и Bilibili с использованием yt-dlp. Удобный инструмент для тех, кто предпочитает командную строку.
🚀 Основные моменты:
- Поддержка множества видео платформ
- Использует yt-dlp для загрузки
- Простой текстовый интерфейс
- Легко настраивается и использует командную строку
📌 GitHub: https://github.com/remorses/tuitube
#python
@Python_Community_ru
🛠️ Трекер токенов для LLM CLI инструментов
Sherlock предоставляет живую панель мониторинга для отслеживания использования токенов в LLM CLI инструментах. Вы можете в реальном времени видеть, сколько токенов вы используете, а также сохранять все запросы для последующего анализа.
🚀 Основные моменты:
- Отслеживание использования токенов в реальном времени
- Визуализация контекстных окон с индикатором
- Автоматическое сохранение запросов в формате Markdown и JSON
- Никакой конфигурации — просто установите и используйте
📌 GitHub: https://github.com/jmuncor/sherlock
#python
📲Max (https://max.ru/pythonl)
@Python_Community_ru
Sherlock предоставляет живую панель мониторинга для отслеживания использования токенов в LLM CLI инструментах. Вы можете в реальном времени видеть, сколько токенов вы используете, а также сохранять все запросы для последующего анализа.
🚀 Основные моменты:
- Отслеживание использования токенов в реальном времени
- Визуализация контекстных окон с индикатором
- Автоматическое сохранение запросов в формате Markdown и JSON
- Никакой конфигурации — просто установите и используйте
📌 GitHub: https://github.com/jmuncor/sherlock
#python
📲Max (https://max.ru/pythonl)
@Python_Community_ru
🔍 Исследуй связи с Эпштейном
EpsteIn позволяет искать упоминания ваших контактов из LinkedIn в открытых судебных документах Эпштейна. Просто загрузите файл с вашими связями и получите отчет в формате HTML о найденных совпадениях.
🚀 Основные моменты:
- Поиск по судебным документам Эпштейна
- Генерация отчетов в HTML
- Упоминания сортируются по количеству
- Поддержка точного совпадения имен
📌 GitHub: https://github.com/cfinke/EpsteIn
#python
📲Max (https://max.ru/pythonl)
@Python_Community_ru
EpsteIn позволяет искать упоминания ваших контактов из LinkedIn в открытых судебных документах Эпштейна. Просто загрузите файл с вашими связями и получите отчет в формате HTML о найденных совпадениях.
🚀 Основные моменты:
- Поиск по судебным документам Эпштейна
- Генерация отчетов в HTML
- Упоминания сортируются по количеству
- Поддержка точного совпадения имен
📌 GitHub: https://github.com/cfinke/EpsteIn
#python
📲Max (https://max.ru/pythonl)
@Python_Community_ru
👎5
🤖 LingBot-VLA - это прогрессивная модель, объединяющая визуальные, языковые и действия для роботов.
Она обучена на 20,000 часов реальных данных и демонстрирует высокую эффективность и производительность в симуляциях и реальных задачах.
🚀 Основные моменты:
- Обширные данные для предобучения
- Превосходные результаты по сравнению с конкурентами
- Увеличенная скорость обучения на 1.5-2.8x
📌 GitHub: https://github.com/Robbyant/lingbot-vla
#python
@Python_Community_ru
Она обучена на 20,000 часов реальных данных и демонстрирует высокую эффективность и производительность в симуляциях и реальных задачах.
🚀 Основные моменты:
- Обширные данные для предобучения
- Превосходные результаты по сравнению с конкурентами
- Увеличенная скорость обучения на 1.5-2.8x
📌 GitHub: https://github.com/Robbyant/lingbot-vla
#python
@Python_Community_ru
Python-баг, который выглядит безобидно… но ломает логику 👇
fruits = ["apple", "lime", "orange",
"pineapple", "orange"]
for f in fruits:
if f == "orange":
fruits.remove(f)
print(fruits)
Ожидание: оба orange удалятся.
Реальность: один orange остаётся.
Почему так происходит?
Ты изменяешь список во время итерации.
После удаления элементы сдвигаются, и цикл пропускает следующий элемент.
Это классический сценарий продакшн-багов:
• код выглядит правильно
• тесты могут пройти
• но данные обрабатываются неправильно
Правильный вариант:
fruits = [f for f in fruits if f != "orange"]
Мораль:
Изменяешь коллекцию во время обхода -Deploy first. Pray later.
#junior #python
@Python_Community_ru
fruits = ["apple", "lime", "orange",
"pineapple", "orange"]
for f in fruits:
if f == "orange":
fruits.remove(f)
print(fruits)
Ожидание: оба orange удалятся.
Реальность: один orange остаётся.
Почему так происходит?
Ты изменяешь список во время итерации.
После удаления элементы сдвигаются, и цикл пропускает следующий элемент.
Это классический сценарий продакшн-багов:
• код выглядит правильно
• тесты могут пройти
• но данные обрабатываются неправильно
Правильный вариант:
fruits = [f for f in fruits if f != "orange"]
Мораль:
Изменяешь коллекцию во время обхода -Deploy first. Pray later.
#junior #python
@Python_Community_ru
🚀 Погружение в алгоритмы AI без магии
no-magic — это коллекция однофайловых, независимых реализаций алгоритмов, которые лежат в основе современных ИИ. Каждый скрипт является самодостаточной программой, обучающей модель с нуля и выполняющей предсказания, без использования сложных библиотек.
🚀 Основные моменты:
- Один файл — один алгоритм, без внешних зависимостей.
- Полное обучение и предсказание в каждом скрипте.
- Читаемый код с обязательными комментариями для понимания.
- Работает на обычном CPU за разумное время.
📌 GitHub: https://github.com/Mathews-Tom/no-magic
#python
@Python_Community_ru
no-magic — это коллекция однофайловых, независимых реализаций алгоритмов, которые лежат в основе современных ИИ. Каждый скрипт является самодостаточной программой, обучающей модель с нуля и выполняющей предсказания, без использования сложных библиотек.
🚀 Основные моменты:
- Один файл — один алгоритм, без внешних зависимостей.
- Полное обучение и предсказание в каждом скрипте.
- Читаемый код с обязательными комментариями для понимания.
- Работает на обычном CPU за разумное время.
📌 GitHub: https://github.com/Mathews-Tom/no-magic
#python
@Python_Community_ru
🎥🚀 MOVA: Инновационная генерация видео и аудио
MOVA — это открытая модель, которая синхронно генерирует видео и аудио, устраняя проблемы каскадных пайплайнов. Она обеспечивает высокое качество и точную синхронизацию губ и звуковых эффектов, предлагая пользователям мощный инструмент для создания контента.
🚀Основные моменты:
- Бимодальная генерация: видео и аудио создаются одновременно.
- Высокая точность синхронизации губ и звуковых эффектов.
- Полностью открытый исходный код и доступные веса модели.
- Архитектура с асимметричными двойными башнями для лучшего взаимодействия модальностей.
📌 GitHub: https://github.com/OpenMOSS/MOVA
#python
@Python_Community_ru
MOVA — это открытая модель, которая синхронно генерирует видео и аудио, устраняя проблемы каскадных пайплайнов. Она обеспечивает высокое качество и точную синхронизацию губ и звуковых эффектов, предлагая пользователям мощный инструмент для создания контента.
🚀Основные моменты:
- Бимодальная генерация: видео и аудио создаются одновременно.
- Высокая точность синхронизации губ и звуковых эффектов.
- Полностью открытый исходный код и доступные веса модели.
- Архитектура с асимметричными двойными башнями для лучшего взаимодействия модальностей.
📌 GitHub: https://github.com/OpenMOSS/MOVA
#python
@Python_Community_ru
🌟 Создайте свой пиксельный офис с Star Office UI
Star Office UI — это интерактивная панель для многопользовательского сотрудничества, визуализирующая статус ваших AI помощников в реальном времени. Вы можете видеть, кто чем занят, что было сделано вчера и кто сейчас онлайн.
🚀 Основные моменты:
- Визуализация статусов AI: idle, writing, syncing и др.
- "Вчерашние заметки" для краткого обзора выполненной работы.
- Поддержка приглашения других участников в офис.
- Адаптивный интерфейс для мобильных устройств.
- Гибкие варианты публичного доступа.
📌 GitHub: https://github.com/ringhyacinth/Star-Office-UI
#python
@Python_Community_ru
Star Office UI — это интерактивная панель для многопользовательского сотрудничества, визуализирующая статус ваших AI помощников в реальном времени. Вы можете видеть, кто чем занят, что было сделано вчера и кто сейчас онлайн.
🚀 Основные моменты:
- Визуализация статусов AI: idle, writing, syncing и др.
- "Вчерашние заметки" для краткого обзора выполненной работы.
- Поддержка приглашения других участников в офис.
- Адаптивный интерфейс для мобильных устройств.
- Гибкие варианты публичного доступа.
📌 GitHub: https://github.com/ringhyacinth/Star-Office-UI
#python
@Python_Community_ru
🐍 Почему ошибки валидации в Python иногда так сложно найти
Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка.
Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема.
В сложных вложенных структурах это превращает отладку в настоящую боль.
Pydantic решает эту проблему.
Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута.
В результате сразу понятно, где искать проблему.
Пример:
from pydantic import BaseModel, Field
class Address(BaseModel):
zip_code: str = Field(pattern=r"^\d{5}$")
class Customer(BaseModel):
name: str
address: Address
customer = Customer(
name="Alice",
address={"zip_code": "9ABC1"}
)
Ошибка будет выглядеть так:
ValidationError: address.zip_code
String should match pattern '^\d{5}$'
То есть Pydantic сразу показывает:
address.zip_code
А не просто сообщает, что «где-то внутри данных ошибка».
Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг.
#Python #Pydantic #Backend #DataValidation
🐍 Python полезные ресурсы (https://t.iss.one/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl)
@Python_Community_ru
Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка.
Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема.
В сложных вложенных структурах это превращает отладку в настоящую боль.
Pydantic решает эту проблему.
Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута.
В результате сразу понятно, где искать проблему.
Пример:
from pydantic import BaseModel, Field
class Address(BaseModel):
zip_code: str = Field(pattern=r"^\d{5}$")
class Customer(BaseModel):
name: str
address: Address
customer = Customer(
name="Alice",
address={"zip_code": "9ABC1"}
)
Ошибка будет выглядеть так:
ValidationError: address.zip_code
String should match pattern '^\d{5}$'
То есть Pydantic сразу показывает:
address.zip_code
А не просто сообщает, что «где-то внутри данных ошибка».
Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг.
#Python #Pydantic #Backend #DataValidation
🐍 Python полезные ресурсы (https://t.iss.one/addlist/MUtJEeJSxeY2YTFi) 🚀Max (https://max.ru/pythonl)
@Python_Community_ru
Telegram
Golang
You’ve been invited to add the folder “Golang”, which includes 20 chats.