Channel
@LLMEngineers
On this record: Growth · Engagement · What this channel posts · Reactions · Posts · Citations · Cite this entry
2,520subscribers
+152 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of 1,000–3,162.
| Telegram ID | -1002600390047 |
|---|---|
| Type | Channel |
| Username | @LLMEngineers |
| Created | Between 1 March 2025 and 31 July 2025 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 7 August 2026 |
| Last confirmed live | 4 September 2026 |
| Measurements held | 11 |
| Confirmed unchanged | 1 time, most recently 4 September 2026 |
| On Telegram | t.me/LLMEngineers |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 4 Sept 2026, 16:02 | 2,520 | +34 |
| 31 Aug 2026, 20:36 | 2,486 | +4 |
| 28 Aug 2026, 11:57 | 2,482 | +8 |
| 25 Aug 2026, 12:33 | 2,474 | +3 |
| 22 Aug 2026, 18:49 | 2,471 | +10 |
| 19 Aug 2026, 17:43 | 2,461 | +8 |
| 16 Aug 2026, 14:16 | 2,453 | +42 |
| 12 Aug 2026, 22:23 | 2,411 | +27 |
| 10 Aug 2026, 05:58 | 2,384 | +12 |
| 7 Aug 2026, 16:28 | 2,372 | +4 |
| 7 Aug 2026, 06:46 | 2,368 | first reading |
18 posts held, back to 22 July 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 2 pages 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 18 posts for this entry, the most recent from 7 August 2026. An engagement rate over an empty window would be a number about nothing.
Measured directly from 4 videos with a duration reading, out of the posts we hold for this channel — not this channel’s whole posting history, only the sample this register has actually read. An exact reading to the second, taken from the post itself rather than from Telegram’s own rounded chrome, so it carries no ≈ mark.
151 reactions across 17 posts, in 6 distinct kinds. The most used accounts for 31.1% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 47 | 31.1% | |
| 🔥 | 44 | 29.1% | |
| 👍 | 43 | 28.5% | |
| 👌 | 14 | 9.27% | |
| 💯 | 2 | 1.32% | |
| 👎 | 1 | 0.662% |
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 17 of the 18 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 151 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 18 most recent posts we hold, published 22 July 2026 to 7 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.
این بنچمارک قشنگ دست مدلهایی که موقع بلد نبودن، با اعتمادبهنفس دروغ میگن رو رو میکنه... امتیاز منفی توی این چارت یعنی مدل بیشتر از اینکه حرف درست بزنه، توهم زده و اطلاعات غلط داده. خانواده Claude 5 فعلاً قابلاعتمادترین خروجیها رو دارن. اون ته چارت هم وضعیت DeepSeek اصلاً جالب نیست... عملاً داره بیشتر از اطلاعات درست، چرتوپرت تحویل میده. https://arxiv.org/abs/2511.13029 🛠 Join @LLMEngineers Community
👍4❤2🔥2
Open Source AI is dominated by China!
💯2👍1👎1
Top Open LLMs by now (Aug 7 - 2026)
🔥2
امروز داشتم جزئیات Prime Agent رو نگاه میکردم؛ سیستم جدید Prime Intellect که ادعا میکنه یه ساختار «خود-اصلاحگر» برای اجنتهای کدنویسی ساخته. حرف اصلیشون اینه که هارنسها برای مدلهای قدیمی طراحی شدن و نمیذارن مدلهای پیشرفتهی امروزی از تمام توانشون استفاده کنن. توی این سیستم، دو تا مفهوم اصلی معرفی شده. اولی RLM یا همون مدل زبانی بازگشتیه. اینجا کانتکست رو به چشم یه متغیر میبینن و سپردن کار به ساباجنتها مثل…
❤3🔥3👍1
داشتم مستندات استاندارد Agent Skills رو بررسی میکردم دقیقتر بفهممش، در کل یه ساختار متنباز و فایلمحوره که نشون میده چطور کار مشخص، اسکریپت و دانش عملیاتی رو برای ایجنتهای هوش مصنوعی بستهبندی کنیم. فرض کن دسترسی ایجنت به ابزارها مثل فرستادنش تو یه آشپزخونهست. فایل Skill همون دستور پخت، لیست مواد و روش کنترل کیفیته. نقطه ورودش فایل SKILL.md هست. نکته کلیدی: اینها در اصل فقط Prompt هستن. هیچ جادویی نیست. اما پ…
❤4👍3🔥1
مدل Qwen3.8-Max منتشرشد، جدیدترین و قویترین مدل سری Qwen . چیزایی که خاصش میکنه: 🔹 ۲.۴ تریلیون پارامتر داره ولی فقط حدود ۹۵ میلیاردش فعال میشه (MoE هوشمند). یعنی هم غوله هم نسبتاً ارزون و سریع کار میکنه. 🔹 برای اولین بار یه مدل Max-کلاس رو قراره هفتهی بعد وزنهاش رو اوپنسورس کنن. قبلاً اینا رو بسته نگه میداشتن. 🔹 یه تست دیوانهوار دادن: از یه فولدر خالی شروع کرد و ۱۶ روز کامل بدون هیچ دخالت انسانی یه فریم…
🔥3❤2
تو دنیای مدلهای زبانی یه فرمول ساده داریم: عامل هوشمند (AI Agent) مساویه با مدل بهعلاوهی Harness. مدل زبانی بهتنهایی فقط یه پیشبینیکنندهی متنه. برای اینکه بتونه کار واقعی انجام بده، به یه لایهی نرمافزاری دور خودش نیاز داره که ابزارها، حافظه و منطق اجرا رو بهش بده؛ به این لایه میگن Agent Harness. مدل مثل مغز عمل میکنه. اون لایهی اطرافش، مثل چشم، دست، محیط کار و ترمز ماشینه. یه مدل خام نهایتاً میتونه یه …
❤9👌4👍4
مدل deepseek v4 flash اپدیت شد همچنین مدل Gpt5.6 luna هم اپدیت شد جفتشون عملکردشون نسبت به هزینشون فوق العادس مدل های محبوب من برای کدنویسی ان
❤7👍5🔥1
داشتم دستهبندی "چیپ هوین" توی کتاب مصاحبههای ماشینلرنینگ رو نگاه میکردم؛ لیست دقیقی از عنوانهای شغلی این حوزه درآورده. واقعیت اینه که توی شرکتهای مختلف، این اسمها خیلی سلیقهای استفاده میشه و همپوشانی زیادی دارن، اما برای اینکه موقع اپلای کردن گیج نشیم، فهمیدن تفاوتهاشون لازمه... AI/ML Research Scientist تمرکزش روی خلق ایدهها، معماریهای جدید و نوشتن مقالههای علمیه. موفقیتش با نوآوری و آزمایشهای تئوری سن…
❤11👍4👌1
سلام دوستان عزیز 👋 بعد از تجربهی خوبی که با Bina OCR و شنوا (ASR فارسی) داشتیم (هنوز تموم نشده)، پروژهی بعدیمون شروع شده: ساخت یه مدل TTS فارسی متنباز 🎙️ یکی از بزرگترین چالشهای TTS فارسی اینه که خط فارسی حرکتگذاری نمیشه، پس مدل باید حدس بزنه کلمه چطور تلفظ میشه. مثلاً «برگزاری» رو میشه چند جور خوند، و بدون دادهی درست، مدل گاهی اشتباه تلفظ میکنه. برای حل این مشکل یه مینیگیم ساختیم که توش شما تلفظ درست کل…
🔥25❤2
یه مجموعه اسکیل رو به صورت ازمایشی ساختم تا فرآیند Spec-Driven Development رو توی ابزارهای کدنویسی پیاده کنیم... ایده اصلی اینه که جلوی گیج شدن coding agentها و گم شدن تصمیمات معماری رو بگیریم. مشکل اینجاست که وقتی به agent میگیم یه قابلیت بزرگ رو بسازه، جزئیات مهم و نیازمندیها ته تاریخچه چت گم میشن... معمولاً هم به یک build سبز یا تستهای ساده بسنده میکنن که اصلاً ضامن درست بودن منطق برنامه نیست. توی روش SDD ه…
🔥5❤3👍3
مدل جدید کیمی K3 کلاً قضیه مدلهای متنباز رو وارد یه مرحله جدید کرده... یه مدل غولپیکر با ۲.۸ تریلیون پارامتر کل که موقع جواب دادن به هر کلمه، ۱۰۴ میلیارد پارامترش فعال میشن و تا ۱ میلیون توکن متن یا تصویر رو همزمان پردازش میکنه. سازندههاش تونستن بازدهی آموزش مدل رو نسبت به نسل قبل ۲.۵ برابر بهتر کنن. خلاصه تغییرات مهمش ایناست: - ترکیب هوشمندانه توجه (Hybrid Attention): برای اینکه موقع خواندن متنهای خیلی ط…
👍3❤2🔥1
Showing the 12 most recent of 18 posts we hold for @LLMEngineers. 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.
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.
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.
“AI Engineers” (@LLMEngineers), 2,520 subscribers as measured 4 September 2026. Telegram Register, tgregister.com/channel/LLMEngineers.
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.