TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #183 · 23 ное.

Python + bash Если вам часто требуется запускать shell команды из Python-кода, какой способ вы используете? Самый низкоуровневый это функция os.system(), либо os.popen(). Рекомендованный способ это subprocess.call(). Но это всё еще достаточно неудобно. Советую обратить своё внимание на очень крутую библиотеку sh. Что она умеет? 🔸 удобный синтаксис вызова команд как функций # os import os os.system("tar cvf demo.tar ~/") # subprocess import subprocess subprocess.call(['tar', 'cvf', 'demo.tar', '~/']) # sh import sh sh.tar('cvf', 'demo.tar', "~/") 🔸 простое создание функции-алиаса для длинной команды fn = sh.lsof.bake('-i', '-P', '-n') output = sh.grep(fn(), 'LISTEN') в этом примере также задействован пайпинг 🔸 удобный вызов команд от sudo with sh.contrib.sudo: print(ls("/root")) Такой запрос спросит пароль. Чтобы это работало нужно соответствующим способом настроить юзера. А вот вариант с вводом пароля через код. password = "secret" sudo = sh.sudo.bake("-S", _in=password+"\n") print(sudo.ls("/root")) Это не все фишки. Больше интересных примеров смотрите в документации. Специально для Windows💀 юзеров #libs#linux

Hashtags

Резултати

Пронајдени 3 слични објави

Пребарај: #deepseekv4

当前筛选 #deepseekv4清除筛选
Sostav

@Sostav · Post #38789 · 03.03.2026 г., 15:31

🇨🇳 DeepSeek V4 выходит на этой неделе // 1 триллион параметров, активных при генерации — всего 32 млрд (MoE). Работает локально на двух RTX 4090. Контекст — 1 млн токенов против 128K у V3, точность 97%. Скорость генерации выше в 1.8 раза. Главный фокус на код. Плюс мультимодальность — текст, картинки, возможно видео. Оптимизирован под чипы Huawei и Cambricon. Без приоритета для Nvidia. По слухам, DeepSeek готовит конкурента Cursor для китайского рынка. Официального релиза еще нет, но возможно сегодня анонсируют. 🧠Следи за AItoolz — следим за релизом #DeepSeek#DeepSeekV4#релиз

AI一线|ShareCentre

@ShareCentre · Post #7236 · 24.04.2026 г., 03:21

DeepSeek-V4 预览版发布并开源:1M 上下文成标配,Agent 能力达开源最佳 4 月 24 日,DeepSeek 正式上线并同步开源 DeepSeek-V4 系列预览版,按规模分为 V4-Pro 和 V4-Flash 两款,全系标配 1M(一百万)token 超长上下文,在 Agent 能力、世界知识与推理性能上均达到国内与开源领域领先水平。官网 chat.deepseek.com、App 与 API 已同步更新,API 通过 model_name=deepseek-v4-pro 或 deepseek-v4-flash 调用。 📌 V4-Pro:对齐顶级闭源模型 - Agent 能力大幅提升:Agentic Coding 评测达开源模型最佳,已成为 DeepSeek 公司内部员工使用的编程模型 - 编程实测:使用体验优于 Claude Sonnet 4.5,交付质量接近 Opus 4.6 非思考模式,与 Opus 4.6 思考模式仍有一定差距 - 世界知识:在开源模型中大幅领先,仅稍逊于顶尖闭源 Gemini-Pro-3.1 - 推理性能:数学、STEM、竞赛代码测评超越所有已公开评测的开源模型,比肩世界顶级闭源 📌 V4-Flash:经济高效的小弟 - 参数和激活更小,API 服务更快、更便宜 - 推理能力接近 V4-Pro,世界知识储备稍逊 - Agent 评测:简单任务与 V4-Pro 旗鼓相当,高难度任务仍有差距 ⚙️ 结构创新:全新注意力 + DSA DeepSeek-V4 开创全新的 token 维度压缩注意力机制,结合 DeepSeek Sparse Attention(DSA 稀疏注意力),实现全球领先的长上下文能力,相比传统方法大幅降低计算和显存需求。官方明确:1M 上下文从此成为 DeepSeek 所有官方服务的标配。 🛠 Agent 生态专项适配 针对 Claude Code、OpenClaw、OpenCode、CodeBuddy 等主流 Agent 产品做了适配优化,代码任务、文档生成、PPT 生成等场景均有提升。 📎 API 细节 - base_url 不变,model 改为 deepseek-v4-pro 或 deepseek-v4-flash - 同时支持 OpenAI ChatCompletions 与 Anthropic 接口 - 均支持思考/非思考模式,思考模式可通过 reasoning_effort 参数设置强度(high/max),复杂 Agent 场景建议使用 max - 旧模型名 deepseek-chat(对应 V4-Flash 非思考)与 deepseek-reasoner(对应 V4-Flash 思考)将于 2026-07-24 停用 🔙 背景 - 2025-12-01 DeepSeek 发布 V3.2 正式版与 V3.2-Speciale,首次引入 DSA 稀疏注意力与「思考融入工具调用」,Speciale 拿下 IMO/CMO/IOI/ICPC 2025 金牌,推理能力对齐 Gemini-3.0-Pro - 此后 DeepSeek 进入约 5 个月的大版本静默期,社区一度质疑团队「是否还在」;V4 的发布以百万上下文普惠 + 开源权重的方式正面回应 - V3.2 → V4 演进主线清晰:从 MoE+MLA → DSA 稀疏注意力 → token 维度压缩新注意力,长上下文效率持续压榨 ⚔️ 竞品对比 - vs Claude Opus 4.6:编程交付质量已接近 Opus 4.6 非思考模式,思考模式仍有差距 - vs Claude Sonnet 4.5:Agentic Coding 使用体验反超 - vs Gemini-Pro-3.1:世界知识稍逊,推理已比肩 - vs 国产阵营:紧接智谱 GLM-5.1(SWE-Bench Pro 全球第一)、千问 Qwen3.6-Plus(Terminal-Bench 超 Opus 4.5)、MiniMax M2.7、腾讯混元 Hy3 preview、小米 MiMo-V2.5 的密集发布节奏,国产开源模型在 2026 年 4 月形成集体冲顶态势 🏢 DeepSeek 近况 DeepSeek 自 R1 后长期以「低调迭代 + 开源开放」路线前行,V3.2 验证了 DSA 的工程可行性,V4 则进一步将其规模化推向百万上下文普惠。官方在后记中重申「长期主义」与 AGI 目标,不回应外界关于 R2 的猜测。 📎 资源链接 - 开源权重(HuggingFace):https://huggingface.co/collections/deepseek-ai/deepseek-v4 - 开源权重(ModelScope):https://modelscope.cn/collections/deepseek-ai/DeepSeek-V4 - 技术报告 PDF:https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf - API 思考模式文档:https://api-docs.deepseek.com/zh-cn/guides/thinking_mode #DeepSeek#DeepSeekV4#AI大模型#开源模型#AIAgent#长上下文#DSA#AgenticCoding

DeepSeek-V4 预览版发布并开源:1M 上下文成标配,Agent 能力达开源最佳 4 月 24 日,DeepSeek 正式上线并同步开源 DeepSeek-V4 系列预览版,按规模分为 V4-Pro 和 V4-Flash 两款,全系标配 1M(一百万)token 超长上下文,在 Agent 能力、世界知识与推理性能上均达到国内与开源领域领先水平。官网 chat.deepseek.com、App 与 API 已同步更新,API 通过 model_name=deepseek-v4-pro 或 deepseek-v4-flash 调用。 📌 V4-Pro:对齐顶级闭源模型 - Agent 能力大幅提升:Agentic Coding 评测达开源模型最佳,已成为 DeepSeek 公司内部员工使用的编程模型 - 编程实测:使用体验优于 Claude Sonnet 4.5,交付质量接近 Opus 4.6 非思考模式,与 Opus 4.6 思考模式仍有一定差距 - 世界知识:在开源模型中大幅领先,仅稍逊于顶尖闭源 Gemini-Pro-3.1 - 推理性能:数学、STEM、竞赛代码测评超越所有已公开评测的开源模型,比肩世界顶级闭源 📌 V4-Flash:经济高效的小弟 - 参数和激活更小,API 服务更快、更便宜 - 推理能力接近 V4-Pro,世界知识储备稍逊 - Agent 评测:简单任务与 V4-Pro 旗鼓相当,高难度任务仍有差距 ⚙️ 结构创新:全新注意力 + DSA DeepSeek-V4 开创全新的 token 维度压缩注意力机制,结合 DeepSeek Sparse Attention(DSA 稀疏注意力),实现全球领先的长上下文能力,相比传统方法大幅降低计算和显存需求。官方明确:1M 上下文从此成为 DeepSeek 所有官方服务的标配。 🛠 Agent 生态专项适配 针对 Claude Code、OpenClaw、OpenCode、CodeBuddy 等主流 Agent 产品做了适配优化,代码任务、文档生成、PPT 生成等场景均有提升。 📎 API 细节 - base_url 不变,model 改为 deepseek-v4-pro 或 deepseek-v4-flash - 同时支持 OpenAI ChatCompletions 与 Anthropic 接口 - 均支持思考/非思考模式,思考模式可通过 reasoning_effort 参数设置强度(high/max),复杂 Agent 场景建议使用 max - 旧模型名 deepseek-chat(对应 V4-Flash 非思考)与 deepseek-reasoner(对应 V4-Flash 思考)将于 2026-07-24 停用 🔙 背景 - 2025-12-01 DeepSeek 发布 V3.2 正式版与 V3.2-Speciale,首次引入 DSA 稀疏注意力与「思考融入工具调用」,Speciale 拿下 IMO/CMO/IOI/ICPC 2025 金牌,推理能力对齐 Gemini-3.0-Pro - 此后 DeepSeek 进入约 5 个月的大版本静默期,社区一度质疑团队「是否还在」;V4 的发布以百万上下文普惠 + 开源权重的方式正面回应 - V3.2 → V4 演进主线清晰:从 MoE+MLA → DSA 稀疏注意力 → token 维度压缩新注意力,长上下文效率持续压榨 ⚔️ 竞品对比 - vs Claude Opus 4.6:编程交付质量已接近 Opus 4.6 非思考模式,思考模式仍有差距 - vs Claude Sonnet 4.5:Agentic Coding 使用体验反超 - vs Gemini-Pro-3.1:世界知识稍逊,推理已比肩 - vs 国产阵营:紧接智谱 GLM-5.1(SWE-Bench Pro 全球第一)、千问 Qwen3.6-Plus(Terminal-Bench 超 Opus 4.5)、MiniMax M2.7、腾讯混元 Hy3 preview、小米 MiMo-V2.5 的密集发布节奏,国产开源模型在 2026 年 4 月形成集体冲顶态势 🏢 DeepSeek 近况 DeepSeek 自 R1 后长期以「低调迭代 + 开源开放」路线前行,V3.2 验证了 DSA 的工程可行性,V4 则进一步将其规模化推向百万上下文普惠。官方在后记中重申「长期主义」与 AGI 目标,不回应外界关于 R2 的猜测。 📎 资源链接 - 开源权重(HuggingFace):https://huggingface.co/collections/deepseek-ai/deepseek-v4 - 开源权重(ModelScope):https://modelscope.cn/collections/deepseek-ai/DeepSeek-V4 - 技术报告 PDF:https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf - API 思考模式文档:https://api-docs.deepseek.com/zh-cn/guides/thinking_mode #DeepSeek#DeepSeekV4#AI大模型#开源模型#AIAgent#长上下文#DSA#AgenticCoding