Channel
@SparseHashAI
On this record: Topic · Growth · Engagement · Reactions · Posts · Citations · Cite this entry
175subscribers
+13 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001484837454 |
|---|---|
| Type | Channel |
| Username | @SparseHashAI |
| Created | Between 1 April 2019 and 30 September 2021 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 8 August 2026 |
| Last confirmed live | 7 October 2026 |
| Measurements held | 7 |
| Confirmed unchanged | 1 time, most recently 7 October 2026 |
| On Telegram | t.me/SparseHashAI |
Technology — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 25 September 2026 and assigned it the closest of 31 fixed categories, at 99% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 7 Oct 2026, 02:59 | 175 | +7 |
| 26 Sept 2026, 21:59 | 168 | +5 |
| 7 Sept 2026, 08:19 | 163 | -1 |
| 30 Aug 2026, 14:59 | 164 | +1 |
| 15 Aug 2026, 19:53 | 163 | +1 |
| 8 Aug 2026, 16:47 | 162 | no change |
| 7 Aug 2026, 17:12 | 162 | first reading |
20 posts held, back to 14 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 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 6 August 2026. An engagement rate over an empty window would be a number about nothing.
11 reactions across 9 posts, in 3 distinct kinds. The most used accounts for 81.8% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 🔥 | 9 | 81.8% | |
| ❤ | 1 | 9.09% | |
| 👍 | 1 | 9.09% |
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 9 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 11 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 14 July 2026 to 6 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.
Proof of Concept Проверил также вариант, где значения не вычисляются из ключей, то есть имеем три классические отдельные проекции входа в ключи, запросы и значения. Схема другая, работает как ассоциативная память ключ-значение: 1. Связываем пары ключ-значение и собираем их суперпозицию – операция записи в память: ∑ⱼkⱼ⊙vⱼ. Используем cumsum для причинности. 2. Умножаем суперпозицию на запрос qᵢ – операция чтения …
❤1
Proof of Concept Сделал проверку концепции суперпозиции концепций. Заменил в небольшом трансформере в self-attention вычисление оценок внимания и softmax на суперпозицию (ака векторная память). Для этого: 1. Собираем суперпозицию ключей: ∑ⱼkⱼ. Используем cumsum для причинности. 2, Умножаем суперпозицию на запрос qᵢ (произведение суперпозиций), это даёт суперпозицию всех связанных пар ключ-запрос: qᵢ⊙∑ⱼkⱼ 3. Про…
🔥3
Матричная ассоциативная память (линейное внимание) и векторная ассоциативная память В линейном внимании в матрицу памяти S пара ключ-значение добавляется как внешнее произведение их векторов. S = S + kᵀv В векторную память пара ключ-значение добавляется как поэлементное произведение. S = S + k⊙v Чтение из линейного внимания – это матричное умножение ключа и состояния. o = kS Чтение из векторной памяти – это по…
🔥1
Суперпозиция также представляет из себя ассоциативную память, из которой можно читать по запросу. Если суперпозиция содержит в себе пары концепций: [ac, ad, bc, bd], то умножив её на вектор запроса q = a, получим суперпозицию значений [c, d], где запрос является частью пары. (ac + ad + bc + bd) * a = c + d import torch import torch.nn.functional as F D = 1024 # Векторы концепций a, b, c, d = F.normalize(torch.ra…
Если скрытое состояние представляет из себя суперпозицию, то возведение её в квадрат, например в ReLU², даст суперпозицию попарных взаимодействий элементов. S² = (a + b + c + d) * (a + b + c + d) = aa + 2ab + 2ac + 2ad + bb + 2bc + 2bd + cc + 2cd + dd import torch import torch.nn.functional as F D = 1024 # Векторы концепций a, b, c, d = F.normalize(torch.randn(4, D)) # Исходная суперпозиция S = a + b + c + d # …
import torch import torch.nn.functional as F D = 1024 # Векторы концепций a, b, c, d = F.normalize(torch.randn(4, D)) # Исходные суперпозиции S1 = a + b S2 = c + d # Произведение суперпозиций S = S1 * S2 S = F.normalize(S.unsqueeze(0)).squeeze(0) # Пары концепций ac = a * c ad = a * d bc = b * c bd = b * d z = torch.vstack([ac, ad, bc, bd]) z = F.normalize(z) # Находим пары концепций в результирующей суперпози…
💡 Произведение двух суперпозиций даёт суперпозицию попарных взаимодействий их элементов. Пример Пусть первая суперпозиция S1 содержит в себе концепции a и b, а вторая S2 - c и d. Перемножаем суперпозиции: S = S1 * S2 = (a + b) * (c + d) = ac + ad + bc + bd Результирующая суперпозиция S содержит в себе коды всех попарных комбинаций концепций. То есть получаем все возможные комбинации всего за одну операцию поэле…
👍1
Photo, posted without a caption
Weight-norm Criticality: A Mechanism for Loss Spikes Induced by the Normalization and Weight Decay Критичность нормы весов: Механизм скачков функции потерь, вызванных нормализацией и L2-регуляризацией https://www.alphaxiv.org/overview/2607.21005 Исследователи представляют "критичность нормы весов" — механизм, объясняющий всплески потерь в глубоких нейронных сетях, где взаимодействие слоев нормализации и уменьшения в…
🔥1
Новый китайский стартап в области робототехники Light Origin. https://d.fixupx.com/ErenChenAI/status/2080638854311059759
🔥1
When Does Recurrence Become an Algorithm? Convergence Selection in Weight-Tied Looped Transformers Когда рекуррентность становится алгоритмом? Выбор сходимости в зацикленных трансформерах со связанными весами https://www.alphaxiv.org/overview/2607.20594 Это исследование показывает, что трансформеры с циклическим выполнением и связанными весами реализуют «линейный вычислительный фронт» для решения алгоритмических зад…
Полуавтономный робот для услуг по уборке в домах (робот на час) в Сан-Франциско. https://www.tau-robotics.com/ https://d.fixupx.com/CyberRobooo/status/2082271944976826720
Showing the 12 most recent of 20 posts we hold for @SparseHashAI. 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.
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 7 October 2026 — this entry's latest reading, not the date you are reading this.
“Sparse Hash AI” (@SparseHashAI), 175 subscribers as measured 7 October 2026. Telegram Register, tgregister.com/channel/SparseHashAI.
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.