numpy - 2.4.1
https://pypi.org/project/numpy/2.4.1/

Модуль для работы с многомерными массивами. Скачать можно по ссылке: https://pypi.python.org/pypi/numpy/

WebAssembly as a Python Extension Platform
https://nullprogram.com/blog/2026/01/01/

Pyspread, a Spreadsheet in Python
https://pyspread.gitlab.io/

Python 3.14 vs. 3.13 / 3.12 / 3.11 / 3.10
https://en.lewoniewski.info/2025/python-314-vs-313-312-311-310-performance-testing-video/

HY-Motion-1.0 - HY-Motion model for 3D character animation generation
https://github.com/Tencent-Hunyuan/HY-Motion-1.0

rendercv - CV/resume generator, from YAML to PDF
https://github.com/rendercv/rendercv

Recursive structural pattern matching
https://mathspp.com/blog/recursive-structural-pattern-matching

Learn how to use structural pattern matching (the match statement) to work recursively through tree-like structures. In this short article you will learn to use structural pattern matching in recursive, tree-like data structures. The examples from this article are taken from a couple of recent issues of my weekly newsletter.

Январский рефакторинг: 7 дней, чтобы почистить Python веб‑проект
https://habr.com/ru/articles/983172/

В этой статье пойдёт речь о нескольких косметических действиях, которые, с одной стороны, почти не затрагивают логику программы и не вызывают ненависти у тестировщиков, а с другой - делают код чуть приятнее и дают темы для обсуждения на бэкенд‑созвонах. Мы разложим импорты, перенесём логику из роутов в контроллеры, а из контроллеров - в репозитории и сервисы, избавимся от requirements.txt в пользу нормального менеджера зависимостей и включим mypy.

Machine Learning в экологии, или где живёт снежный человек
https://habr.com/ru/articles/983756/

В экологии происходит настоящая ML-революция. Число публикаций с использованием матмоделирования растёт по закону Мура, а наличие ML-моделей и прогнозов становится стандартом в статьях про биологические виды и их будущее. Появились модели, предсказывающие распространение видов в пространстве и во времени - на 100 лет вперёд или на 6000 лет назад. Экологи начали моделировать взаимодействие видов, сообществ - и целых экосистем. Расскажу, почему это произошло, как работают такие модели на практике - и к чему всё это нас приведёт.

Migrating From Celery to Django Tasks
https://paultraylor.net/blog/2026/migrating-from-celery-to-django-tasks/

Django’s new Task Framework makes it surprisingly easy to replace Celery, covering configuration, task migration, queues, workers, and periodic jobs with simpler, built-in tooling.

#python #pydigest
IT-новости про Python перед вами.

Часть материалов из выпуска Python Дайджест:

- Кроим ДНК на Python — CRISPR gRNA finder, Часть II: Скоринг, off-target и реальный ген
- Python 3.14 vs. 3.13 / 3.12 / 3.11 / 3.10
- Выбор статистического метода для A/B-теста: практическое руководство
- Тестирование gRPC на Python в системах промышленной автоматизации
- River: учим модель по одной строчке данных
- Обучение ИИ-моделей на обычном ЦП
- django-devbar - Lightweight performance devbar for Django
- onlymaps: A Python Micro-ORM
- Django - 6.0.1

Заходите в гости - https://pythondigest.ru/issue/630/

django-devbar - Lightweight performance devbar for Django.
https://github.com/amureki/django-devbar

Обучение ИИ-моделей на обычном ЦП
https://habr.com/ru/articles/983908/

В этом посте мы вновь обратимся к старым добрым классическим процессорам (CPU) и вновь поговорим о том, насколько они адекватны применительно к современным ML-моделям. Безусловно, ЦП обычно не так хороши для обслуживания связанных с машинным обучением рабочих нагрузок как графические процессоры, зато их гораздо проще приобрести.

Реляционные шарады: превращаем фильмы в таблицы
https://habr.com/ru/companies/otus/articles/982114/

Реляционная модель обычно ассоциируется с аккуратными строками и столбцами, но на практике ей регулярно пытаются скормить то, для чего она будто бы не предназначена. В этой статье — эксперимент на грани здравого смысла: разложить фильм на пиксели, превратить кадры в строки и посмотреть, что получится, если к видео применить привычный SQL. Без обещаний пользы и универсальности — зато с честным разбором того, где такой подход неожиданно работает, а где начинает сопротивляться сама природа данных.

scrapy - 2.14.1
https://pypi.org/project/scrapy/2.14.1/

Гибкий фреймворк для написания web-пауков (парсеров). Скачать можно по ссылке: https://pypi.python.org/pypi/scrapy

Эксперимент по подстройке Gemma 3 для вызова процедур
https://habr.com/ru/articles/983876/

Практический опыт тонкой настройки текстовой генерации для модели Gemma 3 с использованием QLoRA на видеокарте RTX 4090 (24 GB).

Очередь задач на Postgres: SKIP LOCKED + lease/heartbeat + backpressure (практический опыт)
https://habr.com/ru/articles/984102/

В какой-то момент на старте в нашем data-сервисе (известная в узких кругах аналитическая платформа для селлеров WB/Ozon «Таблички») стало возникать много фоновых работ: ETL‑сенсоры, сложные API‑запросы к маркетплейсам, пересчёты витрин, обслуживание «сервисных» задач. К тому же добавилась потребность сгладить пики нагрузки на БД, растянув поступающую нагрузку во времени.

Сводка pythonz 04.01.2026 — 11.01.2026
https://pythonz.net/articles/627/

А теперь о том, что происходило в последнее время на других ресурсах.

Джентльменский набор LLM-инженера: гайд по экосистеме языковых моделей
https://habr.com/ru/articles/984248/

Если PyTorch является фундаментом, настоящим Атлантом, на плечах которого держатся тензорные вычисления, то какую роль играют его помощники? В этой статье мы проведём ревизию джентльменского набора LLM инженера. Для этого мы изучим функционал, методы работы и даже заглянем в исходный код таких библиотек, как PyTorch, Transformers, Accelerate, Bitsandbytes, PEFT и Unsloth.

Гибридная нейросимвольная архитектура для превращения вероятностных ответов LLM в детерминированный код
https://habr.com/ru/articles/984126/

Нам обещали, что ИИ заменит инженеров, а дали вежливых чат-ботов, которые галлюцинируют и путаются в зависимостях. Мы потеряли cтруктуру. В этой статье я реанимирую идеи Символистов 80-х и объединяю их с мощью современных LLM.

Сервисы — место, где живет бизнес-логика II
https://habr.com/ru/articles/983228/

Вторая часть из серии статей «Сервисы — место, где живет бизнес логика». Если Вы еще не знакомы с первой частью, то рекомендую начать с нее, чтобы у вас сложилась общая картина. Сегодня мы постараемся ответить на все оставшиеся вопросы: познакомимся с прекрасной, легковесной DI-библиотекой, научимся «инжектить» в Django, посмотрим на несколько дашбордов в Кибане и поговорим про доменные модели.