🖥️ Python: 4 проекта недели, которые стоит добавить в закладки

В свежем дайджесте Python Hub несколько интересных новинок для Python-разработчиков, Data Engineers и ML-инженеров.

1. SQLBuild - SQL-трансформации с проверками на этапе компиляции

Новый open-source фреймворк для построения SQL и Python-пайплайнов. Проверяет ссылки на таблицы, типы колонок и контракты ещё до выполнения запросов. Поддерживает end-to-end тестирование и безопасное переименование таблиц без потери истории.

Интересная деталь: компилятор и планировщик написаны на Rust, а выполнение задач и расширения используют Python.

GitHub: https://github.com/sqlstack-io/sqlbuild

2. TorchTPU - PyTorch теперь работает нативно на Google TPU

Совместный проект Google и Meta. Разработчики могут запускать PyTorch-модели на TPU с поддержкой eager execution, torch.compile и распределённого обучения.

Перенос существующего кода может сводиться к замене .to("cuda") на .to("tpu").

Документация: https://pytorch.org/blog/introducing-torchtpu/

3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с

Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python base64.

В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.

Установка:

pip install fastpybase64

Использование:

import fastpybase64 as base64

encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)

Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/

4. TorchNeuron - запуск PyTorch на AWS Trainium

Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.

Модель можно перенести на Trainium практически без изменения архитектуры:

model = MyModel().to("neuron")

Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.

GitHub: https://github.com/aws-neuron/torch-neuronx

Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.

Полный дайджест: https://pythonhub.dev/digest/2026-11-08/