Python/ django

Claude написал 180 млн строк доказательств, проверяя безопасность реального ПО. Anthropic и Theorem показали подход, который превращает фаззинг-тесты в математические гарантии. Обычный фаззер перебирает огромное количество входных данных и ищет сбой. Но даже триллионы запусков не гарантируют, что опасный случай найден. Здесь Claude получает другую задачу: доказать, что выбранный тест не упадёт ни на одном входе размером менее 64 МБ - в рамках заданной модели исполнения. За несколько недель удалось построить доказательства для 239 точек входа в 123 open-source библиотеках. Проверка идёт на…

⚙️ Почему код тормозит, даже если алгоритм хороший? Причина может скрываться в промахах кэша, предсказании ветвлений, расположении данных или конкуренции потоков за память. CPU Performance Engineering собирает материалы, которые помогают разобраться в этих ограничениях. Путь идёт от выполнения одной инструкции до запуска ИИ-моделей на CPU. Внутри: • Микроархитектура процессоров x86 и Arm. • Кэши, память, NUMA и false sharing. • Профилирование, perf и flame graphs. • SIMD, векторизация и оптимизации компилятора. • Многопоточность и задержки под нагрузкой. • Инференс моделей и квантизация.…

Работаете с СУБД? Присоединяйтесь к сообществу Pangolin для разработчиков и администраторов баз данных! Pangolin DB — это PostgreSQL с 100+ доработками, и команда СберТеха открыто рассказывает о его разработке.   В канале «СУБД Pangolin» найдете: 🔹 Глубокие разборы архитектуры и кода 🔹 Кейсы оптимизации и доработки PostgreSQL 🔹 Советы и опыт инженеров 🔹 Вебинары и встречи с экспертами 🔹 Вакансии и жизнь команды от первого лица   Присоединяйтесь к сообществу, где говорят на языке баз данных!

👾 Русскоязычный каталог из 2118 проектов по декомпиляции игр: от Ocarina of Time до Xbox 360 На GitHub появился awesome-список, собранный на русском: проекты, которые восстанавливают игры из машинного кода. Это декомпиляции, статические рекомпиляции, порты на исходниках и ремейки движков. Задача простая: помочь найти проект под нужную игру и платформу и объяснить, как всё это устроено. Масштаб впечатляет. В каталоге около 2118 проектов для примерно 1829 игр, из них 1771 активных. По типам: 786 декомпиляций, 525 статических рекомпиляций, 269 портов на исходниках, 238 ремейков движков, 234 ди…

5 алгоритмов для программиста: бинарный поиск, сортировка слиянием, BFS, Дейкстра, скользящее окно Разбираем 5 алгоритмов, которые пригодятся в реальном коде: бинарный поиск за O(log n), сортировка слиянием за O(n log n), поиск в ширину, алгоритм Дейкстры для кратчайшего пути и скользящее окно за O(n). Короткие визуальные примеры на каждый. Сохраните, чтобы не потерять. https://www.youtube.com/shorts/e--njUJA3y4

Пост без текста

Datadog научила профилировщик Python понимать asyncio: флеймграфы со «стеками из стеков» и оверхед меньше на 60% Главная боль профилирования asyncio в том, что каждая задача выглядит как независимый стек. Время в запросе к Cassandra повисает в воздухе, и непонятно, какой именно путь в приложении его породил.  Инженеры Datadog решили это так: профилировщик отслеживает, какая задача кого ждёт, строит дерево зависимостей и начиная с листьев надстраивает фреймы родителей поверх фреймов потомков. Код, разбитый на отдельные задачи, и обычные корутины в одной задаче теперь дают сопоставимые флеймгр…

Indra: OCR-модель всего на 1M параметров, которая рвёт PaddleOCR и Tesseract по скорости Вик Паручури, автор Marker и Surya, выпустил Indra, крошечную OCR-модель на 1 миллион параметров. Главная фишка в том, что при таком размере она гоняет текст прямо на CPU и делает это очень быстро. Цифры такие. На CPU Indra обрабатывает 49 страниц в секунду. Это в 11 раз быстрее PaddleOCR и в 17 раз быстрее Tesseract. При этом по качеству она тоже впереди: на тексте из OmniParseBench у неё 41,3 против 35,8 у PaddleOCR и 19,3 у Tesseract. Модель не только распознаёт текст, но и отдаёт полную разметку стр…

Трюк Карпаты сработал: локальная LLM на Mac M5 выдает 117 токенов в секунду Как open-source движок Uzu от Mirai обходит потолок пропускной способности памяти на Apple M5 и разгоняет Qwen3.5 9B с 22 до 117 токенов в секунду: квантизация, спекулятивный декодинг, Weaver и бенчмарк против llama.cpp и MLX. https://uproger.com/uzu-uskorenie-lokalnyh-llm-apple-m5/

Python-дайджест недели: агенты с онтологией, рантайм-проверка типов и SQLite в проде Собрали самое полезное из свежего выпуска Python Hub. EvoOntology от RUC DataLab. Это самообновляющийся слой онтологии для дата-агентов: он связывает разнородные таблицы, файлы и базы, чтобы агент понимал, где какие данные лежат. https://github.com/ruc-datalab/EvoOntology Quail. Опенсорсный AI-SQL движок, который оптимизирует план запроса вместе с LLM-инференсом. Авторы заявляют ускорение в среднем в 1,84 раза и до 14 раз относительно настроенного vLLM. https://fsdatalab.github.io/blog/introducing-quail/ A…