Python

OpenAI объявила о начале развёртывания новых моделей GPT-5.4 Thinking и GPT-5.4 Pro в ChatGPT. Также GPT-5.4 стала доступна разработчикам через API и в Codex. Новая версия объединяет несколько ключевых направлений развития моделей: улучшенное логическое рассуждение, более сильные возможности программирования и поддержку агентных сценариев работы. Самое интересное: • GPT-5.4 лидер в agentic tasks • заметный скачок в математике • очень сильный результат в научных задачах (GPQA) • улучшена работа с веб-средой и инструментами Фактически это модель, которую явно оптимизировали под агентов, инструменты и сложное reasoning, а не просто чат. По словам компании, GPT-5.4 стала одной из самых точных и эффективных моделей. Она требует меньше токенов для выполнения задач и работает быстрее по сравнению с предыдущими версиями. В версии ChatGPT модель GPT-5.4 Thinking получила улучшенный режим размышления: при более длительном анализе она лучше удерживает контекст и способна проводить более глубокие исследования в интернете. Появилась и новая функция управления процессом ответа. Теперь пользователь может прервать генерацию в середине ответа и изменить направление работы модели, добавив новые инструкции. Функция управления ответом уже начинает появляться в веб-версии ChatGPT и на Android. Поддержка iOS ожидается немного позже. https://x.com/openai/status/2029620624923189283?s=46 @ai_machinelearning_big_data

⚡️ Языки программирования и их for-циклы Ты когда-нибудь замечал, что почти все языки программирования выглядят по-разному, но внутри делают одно и то же? Самый простой пример — обычный цикл. В Python он читается почти как английский. В C, Java и Go он выглядит как строгая формула. В Rust и Kotlin больше похож на математическую запись. А в Assembly это вообще набор инструкций для процессора. Но смысл всегда один и тот же. Мы просто говорим компьютеру: повтори действие N раз. • 🐍 Python - for i in range(n): • ☕ Java - for(int i=0;i<n;i++){} • ⚡ C - for(int i=0;i<n;i++){} • 🛠️ C++ - for(int i=0;i<n;i++){} • 🌐 JavaScript - for(let i=0;i<n;i++){} • 🛠️ C# - for(int i=0;i<n;i++){} • 🐹 Go - for i:=0;i<n;i++{} • 🦀 Rust - for i in 0..n {} • 🐘 PHP - for($i=0;$i<$n;$i++){} • 💎 Ruby - for i in 0...n do end • 🐪 Kotlin - for(i in 0 until n){} • 🍎 Swift - for i in 0..<n {} • 🔷 TypeScript - for(let i=0;i<n;i++){} • 🧮 R - for(i in 1:n){} • 🐚 Bash - for ((i=0;i<n;i++)); do :; done • 🧱 Dart - for(int i=0;i<n;i++){} • 🎯 Scala - for(i <- 0 until n){} • 🐼 Groovy - for(int i=0;i<n;i++){} • 🧠 Julia - for i in 1:n end • 🔧 Assembly (x86 Linux) - mov ecx,n ; loop: dec ecx ; jnz loop • Один цикл — десятки языков

🔧 Инструмент для тестирования безопасности RaspyJack - это портативный инструмент для авторизованного тестирования безопасности с интерфейсом на LCD, веб-интерфейсом и интегрированной IDE для создания полезных нагрузок. Подходит для исследований и образовательных целей. 🚀 Основные моменты: - LCD-интерфейс для управления - Категории полезных нагрузок (разведка, перехват и др.) - Веб-интерфейс для удаленного управления - Интеграция инструментов DNS-спуфинга и WiFi-атак 📌 GitHub: https://github.com/7h30th3r0n3/Raspyjack @pythonl

erid: 2W5zFH4RZRb Градиентный спуск — это фундамент, на котором держится почти всё машинное обучение (machine learning) и глубокое обучение (deep learning). Как только модель не сходится, уходит в осцилляции или застревает — без понимания механики вы остаетесь без инструментов. 12 марта в 20:00 МСК на открытом уроке мы разберём, как модель на самом деле движется по многомерному ландшафту ошибок, почему путь к минимуму редко бывает прямым и какую роль играет шаг обучения. 🚀 Вы поймёте, как выбирать коэффициент скорости обучения (learning rate), чем отличаются классический, стохастический и продвинутые варианты градиентного спуска, как диагностировать сходимость и отличать реальное обучение от блуждания. Все ключевые идеи будут показаны на наглядных примерах на языке программирования Питон (Python) — без абстракций и чёрных ящиков. ➡️ Встречаемся в рамках курса «Machine Learning». Регистрация: https://otus.pw/m7LW/ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🌟 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 @pythonl

Python: синтаксис тебя не убьёт. Зато логика - без предупреждения.

🎥🚀 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

⚡️ Как изучать любой GitHub-репозиторий за 5 минут с DeepWiki Если ты открываешь чужой репозиторий и не понимаешь, с чего начать - не читай файлы вручную. Спроси код. DeepWiki автоматически строит AI-wiki для любого проекта и позволяет задавать вопросы прямо к исходникам. Как использовать: 1. Открой нужный репозиторий на GitHub 2. Замени в адресе: github.com → deepwiki.com 3. Задай вопросы: - Как устроена архитектура? - С чего начинается запуск? - Где реализована основная логика? - Как работает конкретная функция? Почему это работает: - Документация может быть устаревшей - README часто поверхностный - Код — единственный источник истины DeepWiki анализирует структуру проекта и объясняет её простым языком. Когда особенно полезно: - Быстрый онбординг в новый проект - Подготовка к собеседованию - Разбор open-source - Понимание сложных библиотек - Работа AI-агентов с кодом Главная мысль: Не читай сотни файлов — задавай вопросы репозиторию. Пример GitHub https://github.com/karpathy/nanochat // DeepWiki https://deepwiki.com/karpathy/nanochat Примеры вопросов: - How does training work? - Where is the main entry point? - How is inference implemented? - What are the key modules?

В Python 3.14 появилось решение, которое помогает избавиться от SQL-инъекций - t-strings 🔒 Проблема Когда вы используете f-strings для SQL:

    
        
query = f"SELECT * FROM users WHERE name = '{user_input}'"
{}
    

пользовательский ввод напрямую попадает в запрос. Если злоумышленник передаст:

    
        
admin'; DROP TABLE users; --
{}
    

— база выполнит вредоносную команду. Это классическая SQL injection. Почему это неудобно сейчас Безопасный способ — параметризованные запросы:

    
        
cursor.execute(
    "SELECT * FROM users WHERE name = %s",
    (user_input,)
)
{}
    

Но приходится: • запускать шаблон отдельно • передавать значения отдельно • поддерживать две структуры Что изменилось в Python 3.14 Появились template string literals (t-strings). В отличие от f-strings, они: • не возвращают готовую строку • возвращают объект Template • отдельно хранят текст и подставленные значения Пример:

    
        
query = t"SELECT * FROM users WHERE name = {user_input}"
{}
    

Теперь можно: • получить все интерполяции • проверить значения • экранировать или валидировать их • и только потом собрать финальный SQL

    
        
safe = safe_sql(query)
{}
    

Результат: • вредоносный ввод очищается • SQL-инъекции блокируются • таблицы остаются на месте Почему это важно f-strings - быстрые, но опасные для SQL. t-strings позволяют сохранить удобство шаблонов и добавить контроль безопасности. Python движется к безопасным шаблонам по умолчанию, меньше ручной защиты, меньше уязвимостей в продакшене. 📲Max @pythonl

🖥 Регулярные выражения для извлечения ссылок из HTML с помощью Python Сохрани себе: извлечение всех ссылок со страницы с помощью регулярных выражений - это быстро и просто. Вот пример кода, который поможет тебе в этом.

    
        
import re
import requests
def extract_links(url):
    response = requests.get(url)
    html_content = response.text
    links = re.findall(r'href=["\']?(https?://[^"\'>]+)', html_content)
    return links
url = 'https://example.com'
all_links = extract_links(url)
print(all_links){}