Channel
@BenFeed
On this record: Growth · Engagement · Posts · Citations · Cite this entry
94subscribers
-6 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1003820492538 |
|---|---|
| Type | Channel |
| Username | @BenFeed |
| Created | Between 1 February 2026 and 30 June 2026— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 9 August 2026 |
| Last confirmed live | 22 August 2026 |
| Measurements held | 4 |
| Confirmed unchanged | 1 time, most recently 22 August 2026 |
| On Telegram | t.me/BenFeed |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 22 Aug 2026, 14:46 | 94 | -4 |
| 14 Aug 2026, 23:16 | 98 | -2 |
| 9 Aug 2026, 10:45 | 100 | no change |
| 7 Aug 2026, 12:02 | 100 | first reading |
20 posts held, back to 5 August 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 1 pageof Telegram’s post history, 20 posts per page.
ERR is average views per post over the last 30 days divided by subscribers, the definition TGStat uses, so this figure is comparable with the one you will see elsewhere. It falls structurally as a channel grows: a high ERR on a small channel and a low one on a large channel describe reach mathematics, not quality. We publish the figure and the sample it came from and pass no verdict on it.
ER is defined industry-wide as (forwards + reactions + comments) ÷ views— note the denominator is views, not subscribers. Telegram’s public web preview carries views and reactions but not forward or comment counts, so the reaction rate above is the reactions term only and is therefore a floor: the true ER for this channel is higher by an amount we have not measured and will not estimate.
| Window | Rolling 30 days · latest post in window 8 August 2026 |
|---|---|
| Posts held | 20 (5 August 2026 – 8 August 2026) |
| Views total | 294 |
| Reactions total | — |
| Forwards / comments | not exposed by the public surface — not measured, not estimated |
| Readings taken | 9 Aug 2026, 10:45 UTC |
Views are a single reading per post, taken at the time above. A post published in the last day or two is still accumulating views, which pulls the 30-day average down slightly. That is a property of the standard definition rather than a fault in it, so we keep the definition rather than “correcting” the number into something nobody can reproduce.
Precision. Telegram publishes view counts on its public widget in short form — 8.12K, 3.7M — so any reading at or above 1,000 reaches us rounded to three significant figures, and only counts below 1,000 are exact. Averages and rates derived from them are shown to the same precision rather than to the unit: a figure like 3,701,250 would assert digits nobody measured.
Reaction counts are published per emoji and rounded the same way, so a total below 1,000 is exact and a larger one is a sum that may carry a rounded component from each emoji above 1,000. Because it is a sum, it does not look rounded — read a large reaction total as three significant figures per contributing emoji rather than as the figure it prints.
The CPU is back: Rethinking the CPU-GPU split for LLM inference بازگشت CPU: بازاندیشی در تقسیمکار CPU-GPU برای inference مدلهای زبانی هوش مصنوعی agentic داره تقسیمبندی سنتی بین CPU و GPU برای inference را زیر سوال میبره. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: با گسترش workloadهای agentic که latency و هزینه در اولویتن، تکیهی کامل به GPU دیگه همیشه بهینه نیست و CPU inference داره جایگاه جدی پیدا میکنه. 💡 نک…
anthropics/claude-code-security-review بررسی امنیتی کد با Claude، مستقیم توی GitHub Actions یک GitHub Action مبتنی بر هوش مصنوعی که از Claude برای تحلیل تغییرات کد و شناسایی آسیبپذیریهای امنیتی استفاده میکند. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: یکپارچهسازی security review با pipelineی CI/CD بدون نیاز به ابزار جداگانه، سرعت شناسایی آسیبپذیریها رو در چرخهی توسعه بالا میبره. 💡 نکته: وقتی Anthropic خودش …
Making Postgres 300x faster for analytics: batching, operator fusion, and SIMD سریعتر کردن Postgres تا ۳۰۰ برابر برای analytics: batching، operator fusion و SIMD هفتهی گذشته نسخهی ۰.۲ از pgrust منتشر شد — نسخهای که تمرکزش روی performance بود. این نسخه نسبت به قبلی ۱۰ برابر سریعتر است، در benchmarkهای OLTP حدود ۳۰٪ از Postgres جلوتر است، و در Clickbench — همان benchmark تحلیلیِ Clickhouse — عملکردش ۳۰۰ برابر…
Oracle bans AI-generated code from OpenJDK اوراکل کدهای تولیدشده با هوش مصنوعی را از OpenJDK ممنوع کرد اوراکل مشارکت در OpenJDK با کدهای تولیدشده توسط هوش مصنوعی را ممنوع کرد و دلایلش را ریسکهای امنیتی و مالکیت معنوی عنوان کرد. توسعهدهندهها میتوانند از LLMها برای debugging و review کد بهصورت خصوصی استفاده کنند، ولی ارسال کدِ تولیدشده توسط هوش مصنوعی به repositoryها یا pull requestها ممنوع است. این در حالی…
jdx/mise ابزار مدیریت محیط توسعه، متغیرهای محیطی و اجرای task ابزاری برای مدیریت dev tools، env vars و اجرای task — همه در یک جا. پروژهی open-source روی GitHub. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: یک جایگزین یکپارچه برای ترکیب ابزارهایی مثل `nvm`، `direnv` و `make` است که چرخهی راهاندازی محیط توسعه را سادهتر میکند. 💡 نکته: داشتن task runner و مدیریت version ابزارها در کنار هم یعنی دیگر نیازی به چند فایل …
pranshuparmar/witr چرا این اجرا میشه؟ ردیابی process، port، container و فایل تا ریشهشون — CLI + TUI ابزار witr کمک میکند هر process، port، container یا فایل را تا منشأِ اجراشدنش ردیابی کنید — هم از طریق CLI و هم با یک رابط TUI. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: دیباگ کردن محیطهای شلوغ با processهای تو در تو همیشه دردسر بوده؛ این ابزار مسیر «چه چیزی چه چیزی را راه انداخته» را یکجا نشان میدهد. 💡 نکته: …
PrimeIntellect-ai/prime-agent یک agent خودبهبوددهنده برای workflow های کدنویسی و تسکهای بلندمدت این پروژه یک RLM agent طراحی کرده که هم برای coding workflowها کاربرد دارد، هم برای تسکهای autonomous طولانیمدت — و قابلیت self-improvement دارد. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: ترکیب reinforcement learning با agentهای کدنویسی مسیری جدید برای automation واقعی در توسعهی نرمافزار باز میکند. 💡 نکته: self-i…
Microsoft filings suggest "around 70%" of its AI revenue is on OpenAI اسناد مایکروسافت نشان میدهد حدود ۷۰٪ درآمد هوش مصنوعیاش وابسته به OpenAI است تحلیلهای اخیر نشان میدهد مایکروسافت برای بخش عمدهای از درآمد حوزهی هوش مصنوعیاش به شدت به OpenAI متکی است. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: تمرکز ۷۰٪ درآمد AI یک شرکت به بزرگی مایکروسافت روی یک شریک واحد، ریسک استراتژیک جدیای است که میتواند بر کل اکوسیست…
Qwen3.8 Max now ranked as the best overall model by agentic index جایگاه اول Qwen3.8 Max در رتبهبندی agentic index مقایسه و تحلیل مستقل modelهای هوش مصنوعی و providerهای API hosting — با benchmarkهایی روی معیارهای کلیدی از جمله کیفیت، قیمت، سرعت خروجی و latency. نظر هوش مصنوعی — ⭐ ۷/۱۰ 🎯 چرا مهمه: رسیدن Qwen3.8 Max به رتبهی اول در agentic index نشون میده که رقابت مدلهای open-weight با غولهای بستهی این…
vLLM: Anatomy of a High-Throughput LLM Inference System کالبدشکافی یک سیستم inference پرتوان برای LLMها از paged attention و continuous batching گرفته تا prefix caching و speculative decoding — این مقاله کل معماری vLLM را زیر ذرهبین میبرد و نشان میدهد چطور در مقیاس multi-GPU و multi-node به serving پویا میرسد. نظر هوش مصنوعی — ⭐ ۹/۱۰ 🎯 چرا مهمه: هر تیمی که LLM را در production سرو میکند باید بداند چرا vL…
Beating GPT-5.6 Sol on retrieval with 100x cheaper open models شکست دادن GPT-5.6 Sol در retrieval با مدلهای open-source صد برابر ارزانتر یک مدل ۴ میلیارد پارامتری open-source که با Castform روی Neon آموزش دیده، در دقت retrieval به اندازهی GPT-5.6 Sol عمل میکند — با هزینهای صد برابر کمتر. نظر هوش مصنوعی — ⭐ ۸/۱۰ 🎯 چرا مهمه: نشان میدهد که برای workloadهای retrieval لزوماً نیاز به frontier modelهای گرانق…
Something is changing in the unit economics of software چیزی دارد در اقتصاد واحدِ نرمافزار تغییر میکند هوش مصنوعی دارد margin نرمافزار را فشرده میکند — و این کار به کلِ playbook سنتیِ SaaS دارد ضربه میزند. نظر هوش مصنوعی — ⭐ ۸/۱۰ 🎯 چرا مهمه: وقتی cost of delivery پایین میآید، مزیت رقابتیِ شرکتهای SaaS از «دسترسی به ابزار» به «کیفیتِ داده و workflow» جابهجا میشود — یعنی مدل کسبوکار کلاً باید بازنویسی …
Showing the 12 most recent of 20 posts we hold for @BenFeed. 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.
Citation-graph rank — 1,159,527 of 1,624,174entries in the measured graph. A weighted position computed from the forward and mention edges below — republished posts weigh more than named mentions — and recomputed periodically, over the whole graph. Published only as this ordinal position, never as a score: a position is a fact, and a score printed beside one channel’s name would read as a verdict this register does not make. The two counts beneath stay separate for the same reason mentions are never summed with forwards anywhere else on this page — a named-by count costs nothing to manufacture. The top 100 by this measure, or how it is computed.
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 22 August 2026 — this entry's latest reading, not the date you are reading this.
“BenFeed” (@BenFeed), 94 subscribers as measured 22 August 2026. Telegram Register, tgregister.com/channel/BenFeed.
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.