Channel
@AI_360
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
722subscribers
+2 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001723664308 |
|---|---|
| Type | Channel |
| Username | @AI_360 |
| Created | Between 1 December 2021 and 30 April 2023 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 4 September 2026 |
| Measurements held | 5 |
| Confirmed unchanged | 1 time, most recently 4 September 2026 |
| On Telegram | t.me/AI_360 |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 4 Sept 2026, 00:22 | 722 | +2 |
| 27 Aug 2026, 01:04 | 720 | +4 |
| 14 Aug 2026, 01:43 | 716 | -4 |
| 6 Aug 2026, 23:46 | 720 | no change |
| 6 Aug 2026, 23:33 | 720 | first reading |
20 posts held, back to 13 September 2024 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 4 August 2026. An engagement rate over an empty window would be a number about nothing.
344 reactions across 20 posts, in 8 distinct kinds. The most used accounts for 72.1% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 248 | 72.1% | |
| 🔥 | 47 | 13.7% | |
| ❤ | 26 | 7.56% | |
| 🤯 | 10 | 2.91% | |
| 👎 | 8 | 2.33% | |
| 😱 | 2 | 0.581% | |
| 🤔 | 2 | 0.581% | |
| 👏 | 1 | 0.291% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 20 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 344 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 13 September 2024 to 4 August 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
از پشت صحنه به جلوی صحنه: چرا تئوریها را کنار گذاشتم؟ اگه یادتون باشه یا به بایوی کانال دقت کرده باشید، از روز اول اونجا نوشتم: «سعیمون اینه که به دور از هیاهوی اخبار زرد، مسائل این حوزه رو پیگیری کنیم و با تحلیل و آموزش خوب، برای تطابق بهتر با آیندهای که Generative AI توش نقش پررنگی داره آماده بشیم.» هدفم از نوشتن در این کانال همیشه همین بوده. حالا چرا مدت زیادیه که حرفی نزدم؟ (البته بماند که کلاً آدم کمکاری ب…
👍19❤2👎1🔥1
و باز هم محدودیتهای قانون مقیاس: رفتار عاملانه همونطور که میدونید قانون مقیاس (Scaling Law) نشون میداد که عملکرد مدلهای زبانی تابعی از سه متغیر سایز مدل (N)، حجم دیتا (D) و بودجه محاسباتی (C) است. و بعدا با برداشت از این قانون به این عرف در صنعت توسعهی مدلها رسیدیم که برای بهبود عملکرد مدلها، باید فقط کمیت داده را به شکل چشمگیری افزایش داد. این رویه منجر به آموزش مدلهایی با حجم توکن خیلی زیاد شد و بعدا حتی ب…
👍12❤3🔥3
ما تو «باسلام» با چالشهای مهمی روبهرو هستیم. نه از اونها که توی مقالات فقط حرفش هست — از اونهایی که حل کردنشون، روی اقتصاد فروشندگان آنلاین اثر میذاره. اگر دوست دارید یه رد ماندگاری از خودتون بهجا بذارید این سه موقعیت فرصت خوبیه: - دیتاساینتیست End-to-End میخوایم باسلام رو AI-first طراحی کنیم. برای این کار دنبال دیتاساینتیستهایی هستیم که از فهم پروداکت تا ساخت مدل و دیپلوی کردن، همهفنحریف باشن. - متخصص R…
👍23👎6🔥5❤1
چه مدلی برای ساختن Agent خوبه؟ این لیدربورد با بررسی مسایل مختلف کار با ایجنتها مثل ارور هندلینگ، تعاملات multi turn (چندین tool calling در یک راند) و انتخاب بهجا و درست tool ها مدلها رو بررسی کردند و چنین رنکینگی رو منتشر کردند. بشخصه این رنکینگ با تجربهام از کار با ایجنتها همخونی داره. بخصوص درمورد جمنای که کلا این خانواده از مدلها معروفه که خیلی Agent friendly هستند و از این جهت بنظرم بازنمایی خوبی از وضعی…
👍12
توهم لیدربورد و آیندهی بنچمارکینگ . نمیدونم از مقاله اخیر شرکت Cohere خبر دارید یا نه. مقالهای با عنوان «توهم لیدربورد!» که برخلاف معمول پیپرها نه حول محور مدلهای زبانی بود نه بنچمارک جدیدی معرفی کرده و نه صحبتی از قابلیت و معماری جدید بود. بلکه به نوعی افشاگری بود علیه سیستم رنکینگ Arena که تیم LMsys راهاندازی کرده و تا الان میشه گفت معتبرترین بنچمارک مدلهای زبانی به شمار میاد. خلاصه افشاگری اینه که تو ا…
👍13❤1
ماجرای استعفای کارمند متا و جنجالهای لاما ۴: آیا متا در بنچمارکها تقلب کرده است؟ پستی در ردیت که ادعا میکرد یک کارمند متا به دلیل "مشکلات جدی در آموزش لاما ۴" از بخش GenAI این شرکت استعفا داده است. این ادعاها، بحثهای قبلی درباره آلودگی داده (Data Contamination) در مدلهای لاما(مثل لاما-۱)، رو هم روی آب آورده. کارمند مستعفی متا در ردیت میگه : مدیریت متا پیشنهاد داده که مجموعههای آزمایشی (Test Sets) از بنچمارکها…
🤔2👍1
ورود مدل جدید متا لاما ۴ یه اتفاق بزرگ به حساب میاد نه از این جهت که یه سری بنچمارکها رو جابجا کرده اونا مهم نیست اونا همچنان در حال جابجا شدن خواهند بود قدم بزرگی که این مدل برداشته حرکت بزرگ به سمت حذف آموزش مدلهاست حرکت به این سمت که در نقطه به کارگیری هوش مصنوعی دیگه نیازی به آموزش مدل نداشته باشیم ۱۰ میلیون توکن اندازه ورودی این مدل جدیده و این یعنی اینکه ما داریم به نقطهای میرسیم که دادههایی که که قب…
👍6❤1
فرایند Latent Reasoning؛ قدمی در راستای تفکر انسانگونه . فرایند Reasoning که تو بعضی مدلهای زبانی جدید وجود داره از لحاظ ماهوی و معماری هیچ تفاوتی با مدلهای قبل از خودش نداره. در واقع Thinking چیزی نبود جز همون Next Token Generation که مکانیزم اصلی مدلهای Generative هست با این تفاوت که در این مدلها بواسطه CoT و تولید توکن بیشتر Inference time طول میکشید و بخشی از توکنهایی که تولید میکرد بعنوان thinking تولید…
👍9❤1
پدیدهی Catastrophic Overtraining. تو بحث قانون مقیاس LLM ها یک اصلی که مطرح بود این بود که برای ساخت LLM بهینه باید هرچقدر که پارامترهای مدل رو افزایش میدیم دیتای pre-train هم بصورت خطی باید افزایش پیدا کنه. بعدا این موضوع مطرح شد که میشه هدفمون لزوما ساخت LLM با هزینه محاسباتی بهینه نباشه و با پذیرفتن یک سربار محاسباتی، LLM کوچکتر و با تعداد پارامتر کمتری آموزش بدیم که دقتش معادل همون LLM باشه که با هزینه محاسبا…
👍18
درمورد چیستی و چرایی MCP مدتیه که درمورد MCP یا همون Model Context Protocol و کاربردهاش زیاد صحبت میشه. پروتکلی که توسط آنتروپیک توسعه داده شده تا استانداردی باشه برای ارائه کانتکس بیشتر به LLM ها. چیزی شبیه USB-C برای کامپیوترها. باوجود اینکه این پروتکل نوامبر 2024 (آذرماه 03) معرفی شد، اما سه ماه بعد - پس از اینکه در عمل کمی خودش رو نشون داد - بحث درموردش تو محافل و کامیونیتیها گل انداخت. هم موافقان زیادی داره و…
👍10❤7
مهدی سمیعی به خوبی و خیلی بهتر از من ابعاد فنی و غیرفنی دیگه این پدیدهی چینی رو باز کرد. حیفم اومد نذارم. بعد از خوندن این پست دو نکته دیگه به ذهنم رسید. یک اینکه تا الان اگر همهی مدلها رو با RLHF آموزش میدادن، احتمالا از این به بعد روی تسکهای برنامهنویسی بیشتر از قبل با RL مستقیم و با ریوارد مدل Rule-based آموزش بدن و روی این تکنیک، خط پژوهشی جدیدی باز بشه. در مقابل تسکهایی که بحث preference مطرحه و درست و غ…
👍16
ضرب شست چینیها: R1 > O1 بیشک، رونمایی از مدل DeepSeek R1 داغترین اتفاق چند روز گذشته هوش مصنوعی بود. زلزلهای که لرزههاش به هوش مصنوعی محدود نموند و پسلرزههاش امروز باعث ریزش ۲۰ درصدی قیمت سهام nvidia در ۵ روز گذشته شده و این افت nvidia هم مثل یک دومینو باعث ریزش قیمت بیت کوین و سایررمزارزها شده. اما قضیه کلا از چه قراره و اهمیت DeepSeek R1 در چیه؟ - اولا این که این اولین جهش و درخشش DeepSeek نیست. حدود ۲۰ …
👍13🔥4👎1
Showing the 12 most recent of 20 posts we hold for @AI_360. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
Republishes
Channels on the register whose posts this channel has forwarded.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 1 registered channel — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 4 September 2026 — this entry's latest reading, not the date you are reading this.
“وقایع اتفاقیه AI” (@AI_360), 722 subscribers as measured 4 September 2026. Telegram Register, tgregister.com/channel/AI_360.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.