LLM всё ещё не могут в сложное программирование 🤖

Тут выкатили новый бенчмарк LiveCodeBench Pro. Он состоит из самых свежих и сложных задач с Codeforces, ICPC и IOI. То есть никакого натаскивания на слитых в сеть решениях. Размечали задачи сами победители и призеры олимпиад.

Итоги печальные:
👉🏻 На сложных задачах все, абсолютно все модели получили 0%. Ноль.
👉🏻 Лучшая модель o4-mini-high набрала рейтинг ~2100. Это не более чем уровень крепкого эксперта. До гроссмейстеров (2700+) — как до Луны.

1️⃣ Где LLM хороши: На задачах, где нужны знания и шаблоны (комбинаторика, ДП, структуры данных). Это их зона комфорта.
2️⃣ А где провал: На задачах, где нужен креатив и "ага!-момент" (теория игр, хитрые случаи, жадные алгоритмы). Тут их рейтинг падает ниже 1500.

У людей ошибки обычно в реализации (опечатка, синтаксис). У моделей — в самой идее. Они часто уверенно генерируют абсолютно неверный алгоритм.

Так что тебя, username, пока не заменят. Но только если у тебя большой рейтинг в задачках 🌝

Всего лишь базовая арифметика 😉

#квиз | 🍩 Поддержать канал 🫶

Pytest: фикстуры, маркеры, плагины и лучшие практики тестирования 🚀

Тестирование – это чтобы код не ломался к чертям 😈. И если вы до сих пор используете unittest, то эта статья для вас!

Разбираемся, как pytest делает жизнь проще:
✅ Элегантные фикстуры (scope, conftest.py, autouse)
✅ Гибкие маркеры (skip, xfail, кастомные, -m)
✅ Мощная параметризация (@pytest.mark.parametrize)
✅ Полезные плагины (pytest-cov, pytest-xdist и другие)
✅ Лучшие практики и чего избегать.

Всё, что нужно знать – в статье 👈🏻

Меня одного раздражает, когда говорят "кодирование" и "написание кодов"?

Сознавайтесь, кто так говорит 😠

Ловите тестовое на позицию backend-разработчика от крупного сервиса по поиску дешёвых авиабилетов ✈️

Суть:
Есть два файла (😁): XML_1 и XML_2, в них ответы на запросы, сделанные к API. Необходимо эти ответы распарсить и вывести списком отличия между результатами двух запросов по маршрутам (тег Flights).

■ какие рейсы входят в маршрут?
■ время начала и время конца маршрута
■ цена маршрута
■ что изменилось по условиям?
■ добавился ли новый маршрут?

Требования:
🔹 язык реализации – Python 🐍
🔹 библиотеки и инструменты на ваш выбор.

Оценивается качество кода, а также умение самостоятельно принимать решения и выполнять задачу, имея неполные данные.

🧐 Где и кто использует ИИ для написания кода

Тут учёные мужи выкатили исследование: проанализировали 80 миллионов коммитов на Python от 200 тысяч разрабов, чтобы понять, как глубоко ИИ уже залез в наш код. Натренировали для этого специальную нейронку, которая палит сгенерированный код.

И вот что они откопали 👇🏻

1️⃣ Гонка вооружений. США ожидаемо впереди — там уже 30% Python-кода на GitHub пишет ИИ. Европа дышит в спину (Германия 24%, Франция 23%). А вот Россия и Китай — «поздние последователи», у нас всего 15.4%.

2️⃣ Джуны на стероидах. Самое интересное: новички юзают ИИ намного активнее ветеранов. У опытных разрабов только 28% кода сгенерировано, а у тех, кто только пришел на GitHub — аж 41%. Получается, ИИ сглаживает разрыв между джуном и сеньором? Или просто плодит тех, кто без Copilot и цикл написать не может?

3️⃣ ИИ как учитель. Использование нейронок подталкивает разрабов к экспериментам. Они начинают чаще пробовать новые библиотеки и их комбинации. То есть, ИИ не только пишет за тебя рутину, но и работает как спарринг-партнёр для изучения нового.

4️⃣ А деньги где? Консервативная оценка годовой экономической выгоды от ИИ в кодинге только в США — $9-14 миллиардов. А если верить более оптимистичным оценкам роста продуктивности — то все $64-96 миллиардов 😱. И это только за 2024 год.

Выходит, мы уже прошли стадию отрицания. ИИ — это не игрушка и не угроза, а фундаментальный сдвиг в работе программиста, который уже экономит миллиарды.

GPT Researcher напишет за вас исследование🕵️‍♂️

GPT Researcher – это open-source агент для глубокого автоматизированного исследования на любую тему, будь то инфа из веба или ваши локальные доки. Обещают подробные, фактические и непредвзятые отчеты с цитатами.

Главная идея – разделить работу:
▫️ Планировщик генерирует исследовательские вопросы.
▫️ Исполнители (агенты) собирают инфу по каждому вопросу.
▫️ Паблишер собирает все в один красивый отчет.

Что этот инструмент умеет:
👉🏻 Deep Research: Продвинутый рекурсивный поиск, который копает вглубь темы.
👉🏻 Работа с локальными файлами: PDF, Word, Excel – все съест и переварит.
👉🏻 Мульти-агентная система на LangGraph для еще более качественных результатов.
👉🏻 Экспорт в PDF, Word и другие форматы.
👉🏻 Есть фронтенд (и легковесный, и на NextJS).

Для старта нужен Python 3.11+, ключи OpenAI и Tavily, а дальше pip install gpt-researcher или через git clone.

🐍 from exercise import "Самый богатый"

Представьте, что у вас есть "таблица" accounts, где: accounts[i][j] — это сумма, которую некий j-й клиент имеет на счете в i-м банке.

Ваша задача — найти самый "богатого" клиента, то есть "столбец" с максимальной суммой всех счетов.

🎯 Задача:
Напишите функцию find_richest(accounts: list[list[int]]) -> int, которая принимает таблицу accounts и возвращает максимальную сумму по столбцам.

Пример:
accounts = [[1, 2, 5], [3, 6, 1]]

Разберем этот случай:
* Сумма accounts[0][0] + accounts[1][0] = 1 + 3 = 4.
* Сумма accounts[0][1] + accounts[1][1] = 2 + 6 = 8.
* Сумма accounts[0][2] + accounts[1][2] = 5 + 1 = 6.

Самый богатый клиент имеет состояние 8.
➡️ Ваша функция для [[1,2,5],[3,6,1]] должна вернуть 8.

Еще пример:
accounts = [[10, 5, 100], [20, 15, 0]]
* Портфель 0: 10 + 20 = 30
* Портфель 1: 5 + 15 = 20
* Портфель 2: 100 + 0 = 100
Результат: 100

#задача | 🍩 Поддержать канал 🫶