Наверняка вы замечали, что в Python есть удобная функция для получения переменной окружения
os.getenv(NAME)
И её "сестра" для создания или изменения переменных окружения
os.putenv(NAME, VALUE)
Но почему-то putenv() не работает как должно. Энвайромент не обновляется!
os.putenv('MYVAR', '1')
print(os.getenv('MYVAR'))
... и ничего 😴
Почему так?
На самом деле энвайромент обновляется, но это значение не добавляется в словарь os.environ.
Откройте исходник функции os.getenv(). Это просто шорткат для os.environ.get()
В то время как putenv() это built-in С-функция.
Словарь os.environ (или точней класс из MutableMapping) создаётся из энвайромента в момент инициализации. Функция putenv() самостоятельно его не изменяет.
В тоже время, когда вы создаёте или изменяете ключ в os.environ, автоматически вызывается putenv() в методе __setitem__().
То есть, технически putenv() всё делает верно, но в os.environ это не отражается. Можно проверить так:
>>> os.putenv('MYVAR', '123')
>>> os.system('python -c "import os;print(os.getenv(\'MYVAR\'))"')
123
Я объявил переменную в текущем процессе и вызвал дочерний процесс, который её унаследовал и получил в составе os.environ.
Аналогично при удалении переменной вызывается еще одна built-in функция unsetenv(), удаляющая переменную из системы.
Итого
▫️ Удобней всего явно обновлять переменные через os.environ
▫️ Есть способ неявно создать/удалить переменную через putenv/unsetenv, что не повлияет на os.environ но изменит энвайромент и передаст изменения сабпроцессам. Но так лучше не делать!
▫️os.environ это просто обертка для built-in функций putenv() и unsetenv().
#basic
Обновление моделей LlaMa в GPTunneL🦙
⚡️ Мы добавили новую LlaMa 3.1 405b с 405 миллиардами параметров — на сегодняшний день это самая мощная модель ИИ с открытым исходным кодом.
По утверждениям разработчиков, LlaMa 3.1 превосходит такие модели, как GPT-4o и Claude 3.5 Sonnet от Anthropic в различных областях, включая общие знания, кодирование и математику.
〰️ Кроме того, вывели из альфа-версии LlaMa 3.1 70b и LlaMa 3.13.8b, содержащие 70 и 8 миллиардов параметров соответственно. Эти модели стали еще стабильнее, что позволяет вам получать более качественные результаты.
➡️ Переходи в GPTunneL и тестируй модели LlaMa 3.1
🪅 Если захочешь сравнить новинку с другими моделями, загляни в нашу Арену.
#update#llama3
LlaMa 3 — первая open-source LLM-модель в GPTunneL🪅
Мы запустили новейшую модель в альфа-режиме — LlaMa 3 70b и LlaMa 3 8b (70 и 8 млрд параметров соответственно)!
В Meta утверждают, что Llama 3:
➡️ обладает высокой скоростью обучения и эффективно работает с большими объемами данных;
➡️ превосходит конкурентов в точности генерации текста и производительности;
➡️ отлично справляется с программированием.
👍 Протестируй LlaMa 3 в GPTunneL
☝️ LlaMa 3 рекомендована к использованию на английском языке. При работе на русском возможны небольшие галлюцинации.
#update#llama3
#go#gemma3#go#gpt_oss#granite4#llama#llama3#llm#on_device_ai#phi3#qwen3#qwen3vl#sdk#stable_diffusion#vlm
NexaSDK runs AI models locally on CPUs, GPUs, and NPUs with a single command, supports GGUF/MLX/.nexa formats, and offers NPU-first Android and macOS support for fast, multimodal (text, image, audio) inference, plus an OpenAI‑compatible API for easy integration. This gives you low-latency, private on-device AI across laptops, phones, and embedded systems, reduces cloud costs and data exposure, and lets you deploy and test new models immediately on target hardware for faster development and better user experience.
https://github.com/NexaAI/nexa-sdk
#jupyter_notebook#chatglm#chatglm3#gemma_2b_it#glm_4#internlm2#llama3#llm#lora#minicpm#q_wen#qwen#qwen1_5#qwen2
This guide helps beginners set up and use open-source large language models (LLMs) on Linux or cloud platforms like AutoDL, with step-by-step instructions for environment setup, model deployment, and fine-tuning for models such as LLaMA, ChatGLM, and InternLM[2][4][5]. It covers everything from basic installation to advanced techniques like LoRA and distributed fine-tuning, and supports integration with tools like LangChain and online demo deployment. The main benefit is making powerful AI models accessible and easy to use for students, researchers, and anyone interested in experimenting with or customizing LLMs for their own projects[2][4][5].
https://github.com/datawhalechina/self-llm