Channel

Concise Research

@c_research

On this record: Growth · Engagement · Posts · Citations · Cite this entry

1,259subscribers

+5 since we began measuring on 6 August 2026

Risers and fallers across the register · movement among entries of 1,000–3,162.

Register entry

Telegram ID	-1001625003674
Type	Channel
Username	@c_research
Created	Between 1 December 2021 and 28 February 2023— estimated from Telegram’s id allocation, not measured. How this range is calculated.
First recorded	6 August 2026
Last confirmed live	10 August 2026
Measurements held	4
Confirmed unchanged	1 time, most recently 10 August 2026
On Telegram	t.me/c_research

Growth

4 measurements spanning 4 days, net +5. Dots are measurements; the straight line between them is drawn to join them, not to claim we know the path taken in between — snapshots are recorded only when a count changes, so gaps mean “no change observed”, never “interpolated”. The vertical axis spans 1,253–1,260 and does not start at zero.

Measurement log — every subscribers count we have recorded
Measured (UTC)	Subscribers	Change
10 Aug 2026, 05:30	1,259	+3
7 Aug 2026, 00:04	1,256	+2
6 Aug 2026, 08:33	1,254	no change
6 Aug 2026, 08:18	1,254	first reading

Engagement

13 posts held, back to 25 May 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 · 30 days: 30.2%; avg views ÷ 1,259 subscribers
Avg views / post: 380; 3 posts measured
Reaction rate: 3.68%; reactions ÷ views · ER floor
Posts in window: 3; of 13 held

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.

What these figures were computed from
Window	Rolling 30 days · latest post in window 4 August 2026
Posts held	13 (25 May 2026 – 4 August 2026)
Views total	1,140
Reactions total	42
Forwards / comments	not exposed by the public surface — not measured, not estimated
Readings taken	6 Aug 2026, 08:33 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.

Recent posts

4 Aug 2026, 13:44 UTC≈298 views5 reactionsread 6 August 2026

Photo

Наука или инженерия Мысли после ICML'26 [2/2] В первой части обсуждали критерии научности и 10% работ, которые им соответствуют. Теперь про остальные 90%. Чему они соответствуют? Roberto Pieraccini называет такие работы translational имея ввиду “перевод” общих методов в плоскость прикладных задач. По смыслу это ближе всего к тому что ML сообществе называют RnD: • Составление бенчмарков • Добавление к общему методу …

Signed Sergey Kastryulin

3 Aug 2026, 11:49 UTC≈313 views22 reactionsread 6 August 2026

Photo

Наука или инженерия Мысли после ICML'26 [1/2] Не важно ходишь ли по постерам в Сеуле или пытаешься читать по заверениям дедов фид arxiv cs.ai 👴: твой контекст не бесконечен и не очевидно на что его тратить. Есть такой Roberto Pieraccini, я бы его описал как Шмитхубера здорового человека: много чего сделал и понял, но не пытается причислить себе все ключевые находки в ML. У него есть блог The voice in the machine, в…

Signed Sergey Kastryulin

14 Jul 2026, 10:27 UTC≈529 views15 reactionsread 6 August 2026

Forwarded from @MLunderhoodPhoto

Рассказываем о новой unified-модели в Alice AI С недавних пор в Алисе AI и Шедевруме появилась обновлённая модель — Alice AI ART 2.0. Пользователи уже сейчас могут протестировать два базовых сценария её работы: Text-to-Image и Image-to-Image. Для Яндекса этот релиз — первый шаг к тому, чтобы получить unified-модель с едиными метриками и стеком, которая одинаково хорошо умеет и в T2I, и в I2I. Команда генеративных м…

Signed Sergey Kastryulin

7 Jul 2026, 14:39 UTC≈727 views25 reactionsread 6 August 2026

Photo

ICML’26 Зачем ездить на конференции? Конечно, чтобы презентовать свои статьи и читать чужие. Чтобы спорить у постеров, слушать доклады, искать неожиданные идеи и пытаться понять, куда сейчас движется область Но не только Ещё — чтобы увидеться с командой не через календарь и созвоны. Поговорить с исследователями и инженерами за пределами своего ежедневного круга. Потолкаться на экспо и в секции постеров про RL, сл…

Signed Sergey Kastryulin

3 Jul 2026, 12:38 UTC≈796 views1 reactionsread 6 August 2026

Photo

Агентская мультимодалка спустя те же 14 месяцев: закрыли ли разрыв, который не закрыла унификация? В прошлом посте закончили на том, что агент-оркестратор с двумя специализированными моделями решает те же задачи, что и BAGEL-стайл унификация. За те же 14 месяцев это направление тоже не стояло на месте. Разберём, где мультимодальность нужна по существу задачи, где агенты её вытягивают. Где мультимодальность реально …

Signed Sergey Kastryulin

2 Jul 2026, 13:07 UTC≈543 views8 reactionsread 6 August 2026

Photo

Унифицированная мультимодалка спустя 14 месяцев: где обещанная синергия? В мае 2025 BAGEL и близкие по времени работы продавали унифицированные модели с одним набором весов на понимание и генерацию картинок. Мотивационный тезис — модальности взаимно усиливают друг друга. Экспериментальных подтверждений тогда было немного, но авторы смотрели в светлое будущее. Прошло 14 месяцев. Посмотрим, что реально измерили за это…

Signed Sergey Kastryulin

29 Jun 2026, 09:32 UTC≈528 views4 reactionsread 6 August 2026

Photo

Тексты для T2I, второй акт: переписывание промтов, агенты и Context Gap [кода нет, новый бенч] Ранее в Тексты для T2I претрена разбирали две работы про тренировочные кепшены — Structured Captions и Design Choices for Synthetic Captions. Если коротко, обе пришли к выводу, что для T2I-претрена выгодно использовать структурированные кепшены: длинные , с заданным порядком пунктов и единым форматом. Чем плотнее и регуляр…

Signed Sergey Kastryulin

29 Jun 2026, 09:32 UTC≈521 views1 reactionsread 6 August 2026

Результаты На IA-Bench Qwen-Image-Agent даёт IA-score 45.4. Для контекста: • Nano Banana Pro — 42.6 • GPT-Image-1.5 — 35.7 • Чистый Qwen-Image-2.0 без агента — 17.4 То есть агентский обвес поверх собственной модели даёт ~+28 пунктов и выводит её выше топовых закрытых рендереров на этом бенче. На WISE-Verified, более старом бенче на world knowledge ситуация аналогичная. В работе аблейтят влияние поиска (IA-scor…

Signed Sergey Kastryulin

18 Jun 2026, 09:19 UTC≈633 views4 reactionsread 6 August 2026

Qwen-Image-2.0 Technical Report Вышел-таки, красивое. Модельку так и не выложили, не красивое. Понравилось, что число авторов не исчисляется сотнями. Не понравилось, что страниц всего 30 и то половина картинки. Оч не подробно для команды Qwen.

Signed Sergey Kastryulin

17 Jun 2026, 10:34 UTC≈683 views9 reactionsread 6 August 2026

Photo

UniDDT: Unifying Multimodal Understanding and Generation with Decoupled Diffusion Transformer [ссылка на код, а кода нет ☔️] Очередная unified MM-модель от Nanjing + ByteDance Seed с декаплингом диффузионного декодера от LLM-бэкбона в духе DDT/RAE/PixNerd. Авторы атакуют две знакомые проблемы UMM: конфликт understanding и generation лоссов и фрагментированное виз пространство. Архитектура Noisy ViT → LLM-бэкбон (Q…

Signed Sergey Kastryulin

9 Jun 2026, 10:40 UTC≈677 views7 reactionsread 6 August 2026

Photo

SpecEdit: Training-Free Acceleration for Diffusion based Image Editing via Semantic Locking [код пока нет, обещают] Работа про ускорение диффузионного редактирования изображений без дообучения. Не новая модель, а надстройка над уже существующими редакторами вроде Qwen-Image-Edit и FLUX.1-Kontext. Проблема При редактировании не все области картинки одинакого важны. Не важные регионы можно сначала редактированть в н…

Signed Sergey Kastryulin

3 Jun 2026, 07:44 UTC≈644 views5 reactionsread 6 August 2026

Photo

За последнюю неделю вышли две довольно любопытные работы по мультимодальной генерации. Первая рассматривает UMM в контексте нынче модных pixel-space картиночных диффузионок. Вторая — тех репорт про то как запихнуть аж 7 разных модальностей в одну модель. Representation Forcing for Bottleneck-Free Unified Multimodal Models Новелти работы в том что делают мультимодалку с генерацией картинок без использования VAE. Дл…

Signed Sergey Kastryulin

Showing the 12 most recent of 13 posts we hold for @c_research. 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

Citation-graph rank — 217,309 of 1,151,006entries 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.

Forward network

Republishes

Channels on the register whose posts this channel has forwarded.

ML Underhood
@MLunderhood · 4,6821 post

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.

Mentions

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.

CV Time
@timeforcv · 3,3602 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.

Cite this entry

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 10 August 2026 — this entry's latest reading, not the date you are reading this.

“Concise Research” (@c_research), 1,259 subscribers as measured 10 August 2026. Telegram Register, tgregister.com/channel/c_research.

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.