#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.

Pydantic vs Adaptix – плюсы, минусы и области применения
https://habr.com/ru/articles/984630/

Современная экосистема Python переживает большую трансформацию в подходах к обработке, валидации и (де)сериализации данных. Еще совсем недавно (десять лет назад) в питоне не было аннотаций типов, все использовали ручные проверки типов, да и в принципе мало кто заморачивался с контрактами для данных.

Python Bytes: #465 Stack Overflow is Cooked
https://pythonbytes.fm/episodes/show/465/stack-overflow-is-cooked

Очередной выпуск англоязычного подкаста Python Bytes

Скрытая цена словарей Python и три более безопасные альтернативы
https://habr.com/ru/articles/979024/

В тексте разбираются dict, NamedTuple, dataclass и Pydantic — от быстрого прототипирования до строгой валидации данных.

Прививаем машине музыкальный вкус: фильтруем плейлист на основе предпочтений
https://habr.com/ru/articles/979484/

Однажды у меня возникла идея, что с моим музыкальным хобби мне могло бы помочь ML. Если убрать ее, то я снова смогу делать подборку в фоне и получать удовольствиеЯ не эксперт в ML, но задача вроде бы понятная - готовим датасет, берем модель, обучаем, приключение на 20 минут....сейчас, спустя год, когда мой pet-project наконец-то работает.

PyPDFForm: Fire: The Python Library for PDF Forms
https://github.com/chinapandaman/PyPDFForm

Тестирование LLM-приложений с DeepEval
https://habr.com/ru/articles/984968/

В этой статье я расскажу о способе написания тестов для LLM-приложений с использованием инструмента DeepEval. Рассмотрены базовые концепции данного инструмента, а также приведен пример его использования на реальном приложении c RAG. Будет теория и много примеров на Python.

Флаг вам в руки: внедряем feature flags в Django
https://habr.com/ru/companies/otus/articles/979934/

Сегодня поговорим о том, как включать и выключать функциональность в Django, не разворачивая каждый раз новый деплой. В больших проектах эту задачу решают через feature flags, такие условные флажки , которые позволяют запускать скрытые возможности лишь для части пользователей или откатывать фичи, не выкатывая заново весь код. Если вы хотите поэтапно раскатать новую функцию, сделать A/B тест или просто спрятать недоделанный модуль за переключателем, вам сюда.

CTE (Common Table Expression) / Django CTE
https://habr.com/ru/articles/984962/

Как только ты начинаешь углубляться в изучение баз данных, так сразу на горизонте возникают такие понятия как подзапросы, CTE, представления и временные таблицы. По опыту работы в университете заметил, что с этими темами у людей часто возникают проблемы и недопонимания. В частности больше всего путаницы вносит именно CTE. 

Как я перестал слушать «Unknown Artist — Track 01» и написал свой распознаватель музыки
https://habr.com/ru/articles/985320/

12 000 MP3 без тегов, 15 лет прокрастинации, один выходной на код. Асинхронный распознаватель на Python + Shazam: как обойти rate limiting, починить кривые кодировки и не съесть всю память. Код открыт.

Как написать линтер для SQL-миграций
https://habr.com/ru/companies/domclick/articles/976614/

В этой статье разберём, как и зачем проверять код миграций схемы БД и как написать свой линтер.