Channel
@filoger_com
On this record: Topic · Growth · Engagement · What this channel posts · Reactions · Posts · Citations · Telegram's recommendations · Cite this entry
4,755subscribers
+22 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1001328916688 |
|---|---|
| Type | Channel |
| Username | @filoger_com |
| Created | 12 February 2020 — measured — cross-checked against a third-party dataset (TGDataset) |
| First recorded | 6 August 2026 |
| Last confirmed live | 18 September 2026 |
| Measurements held | 11 |
| Confirmed unchanged | 1 time, most recently 18 September 2026 |
| On Telegram | t.me/filoger_com |
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 13 September 2026 and assigned it the closest of 31 fixed categories, at 100% 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 |
|---|---|---|
| 18 Sept 2026, 19:00 | 4,755 | +8 |
| 14 Sept 2026, 06:17 | 4,747 | +9 |
| 10 Sept 2026, 07:18 | 4,738 | +7 |
| 5 Sept 2026, 00:55 | 4,731 | -3 |
| 29 Aug 2026, 01:44 | 4,734 | -5 |
| 23 Aug 2026, 02:57 | 4,739 | -2 |
| 16 Aug 2026, 18:23 | 4,741 | -3 |
| 12 Aug 2026, 21:03 | 4,744 | +11 |
| 10 Aug 2026, 07:24 | 4,733 | -1 |
| 7 Aug 2026, 11:06 | 4,734 | +1 |
| 6 Aug 2026, 15:03 | 4,733 | first reading |
31 posts held, back to 30 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 7 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 31 posts for this entry, the most recent from 11 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.
150 reactions across 31 posts, in 9 distinct kinds. The most used accounts for 51.3% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 77 | 51.3% | |
| 👍 | 25 | 16.7% | |
| 👌 | 13 | 8.67% | |
| 👏 | 12 | 8.00% | |
| 🙏 | 8 | 5.33% | |
| 👾 | 7 | 4.67% | |
| 🔥 | 5 | 3.33% | |
| 💯 | 2 | 1.33% | |
| 🆒 | 1 | 0.667% |
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 31 of the 31 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 150 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 31 most recent posts we hold, published 30 July 2026 to 11 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.
📚 مقالههای علمی را سریعتر و عمیقتر بخونید ابزار Paper Breakdown یه دستیار هوش مصنوعی برای مطالعه و درک مقالات پژوهشیه که کمک میکنه مقالهها رو سریعتر بررسی و عمیقتر یاد بگیرید. 🔹 پیشنهاد روزانه مقاله بر اساس علایق شما 🔹 گفتوگوی هوشمند با محتوای مقاله 🔹 هایلایت و ارجاع مستقیم به بخشهای مرتبط مقاله 🔹 تبدیل مفاهیم پیچیده به نمودار و فلوچارت 🔹 ساخت مسیر مطالعه برای هر مقاله 🔹 تولید کوییز برای سنجش میزان یادگیری…
❤1👍1
📚 پشت پرده هوش مصنوعی | قسمت ۳۳ 🧠 چرا همه بخشهای یک مدل همیشه فعال نیستند؟ در قسمت قبل دیدیم که با Knowledge Distillation میشه بخشی از توانایی یه مدل بزرگ رو به یه مدل کوچکتر منتقل کرد. اما یه سؤال دیگه وجود داره: آیا برای پاسخ دادن به هر سؤال، واقعاً لازمه تمام بخشهای یه مدل بزرگ فعال باشن؟ در بعضی معماریهای مدرن، پاسخ نه است. یکی از روشهای مهم برای این کار، Mixture of Experts (MoE) یا «ترکیب متخصصها» ست. …
❤2👌1
🚀 یک رسانه خبری که مخصوص عصر AI Agentها ساخته شده! تا چند وقت پیش، خبرهای هوش مصنوعی بیشتر حول مدلهای زبانی مثل ChatGPT و Gemini میچرخید. اما حالا یه موج جدید در راهه: عاملهای هوشمند (AI Agents)؛ سیستمهایی که میتونن وظایف پیچیده رو برنامهریزی کنن، از ابزارها استفاده کنن و بخشهایی از کارها رو بهصورت مستقل انجام بدن. 🔥 رسانه خبری The Agent Times یه رسانه تخصصی برای دنبال کردن اتفاقات دنیای AI Agentهاست؛ از ا…
👾3👏1🔥1
📚 پشت پرده هوش مصنوعی | قسمت ۳۲ 🧠 چطور یک مدل کوچک از یک مدل بزرگ یاد میگیرد؟ در قسمت قبل دیدیم که Quantization میتونه حجم و مصرف حافظه مدل رو کاهش بده؛ اما این سؤال مطرح شد: میشه یه مدل رو کوچکتر کرد، بدون اینکه بخش زیادی از تواناییهاش از بین بره؟ یکی از روشهای مهم برای این کار، Knowledge Distillation یا تقطیر دانشئه. تو این روش، یه مدل بزرگ و قدرتمند بهعنوان Teacher در نظر گرفته میشه و یه مدل کوچکتر به…
❤3
🔥 نسل جدید تولید و ویرایش تصویر: Grok Imagine 2.0 معرفی شد شرکت xAI نسخه جدید Imagine Image 2.0 رو معرفی کرده؛ مدلی که تمرکزش فقط روی ساخت تصویر نیست و برای ویرایش دقیق و طراحیهای حرفهای هم ساخته شده. 🔷 مهمترین قابلیتها: 🔹 تولید تصویر با جزئیات بیشتر دستورها رو دقیقتر دنبال میکنه و برای طراحیهای چندبخشی و دارای متن، کنترل بهتری داره. 🔹 ویرایش دقیق تصویر میتونی فقط بخش موردنظر تصویر رو تغییر بدی، بدون اینک…
👍2❤1👌1
📍 چرا عضویت ایران در سازمان جهانی همکاری هوش مصنوعی اهمیت داره؟ احتمالاً خبر عضویت ایران در سازمان جهانی همکاری هوش مصنوعی (WAICO) رو چند روز پیش دیده باشید، اما شاید اهمیت این اتفاق کمتر مورد توجه قرار گرفته باشه. این سازمان با حضور کشورهای مختلف برای توسعه همکاریهای بینالمللی، تدوین استانداردها و مشارکت در حکمرانی هوش مصنوعی تشکیل شده و ایران هم به جمع اعضای آن پیوسته. اگر این عضویت با برنامهریزی و سرمایهگذ…
👏4
📚 پشت پرده هوش مصنوعی | قسمت ۳۱ 🧠 آیا کوچکتر شدن مدل، کیفیت پاسخ را کاهش میدهد؟ در قسمت قبل با Quantization آشنا شدیم؛ روشی که با کاهش دقت اعداد، حجم مدل رو کمتر و اجراش رو سریعتر میکنه. اما یه سؤال مهم وجود داره: اگه وزنهای مدل با دقت کمتری ذخیره بشن، آیا کیفیت پاسخهای مدل تغییر میکنه؟ گاهی بله. در Quantization، هدف اینه که مدل کوچکتر بشه، اما رفتار اصلیش تا حد ممکن حفظ بشه. اگه کاهش دقت کنترلشده باشه:…
❤3👏1
📕 کتاب LLM به زبان آدمیزاد؛ راهنمای فارسی مدلهای زبانی بزرگ کتاب LLM for Humans مفاهیم مهم مدلهای زبانی بزرگ رو از پایه توضیح میده و به موضوعاتی مثل: 🔹مفاهیم پایه LLM 🔹 توکنها و Embedding 🔹 اصول پرامپتنویسی 🔹 پارامترهای مدلها و کار با API میپردازه. این منبع برای کسانی که میخوان علاوه بر استفاده از ابزارهای هوش مصنوعی، درک بهتری از نحوه کار مدلها داشته باشند، کاربردیه. 🔗 دریافت از لینک زیر: https://githu…
❤11
📚 پشت پرده هوش مصنوعی | قسمت ۳۰ 🧠 چطور مدلهای بزرگ روی لپتاپ و گوشی اجرا میشوند؟ در قسمت قبل دیدیم که هرچی Context Window بزرگتر باشه، مدل به حافظه بیشتری نیاز داره. اما یه سؤال مهم پیش میاد: اگه حافظه محدود باشه، چطور بعضی مدلهای زبانی روی لپتاپ یا حتی گوشی اجرا میشن؟ یکی از مهمترین راهحلها Quantizationئه. تو این روش، اعداد و وزنهای مدل با دقت کمتری ذخیره میشن. مثلاً بهجای اینکه هر عدد با 16 بیت یا 32 …
❤3🙏3
🚀 مدل DeepSeek-V4-Flash با Endpoint رایگان در Hugging Face منتشر شد مدل DeepSeek-V4-Flash-0731 اکنون در Hugging Face منتشر شده و یک Endpoint عمومی رایگان برای تستش در اختیار کاربران قرار گرفته. 🔷 ویژگیهای این مدل: 🔹 سرعت پاسخدهی بالا 🔹 پشتیبانی از API سازگار با OpenAI 🔹 امکان استفاده با Python و cURL 🔹 مناسب برای تست، توسعه و نمونهسازی سریع (Prototype) ⚠️ یک نکته مهم: این Endpoint یک Endpoint عمومیه؛ بنابراین…
❤3👍2
🔷 خبر خوب برای کاربران رایگان ChatGPT شرکت OpenAI اعلام کرده از هفته آینده کاربران پلنهای Free و Go میتونن با مدل GPT-5.6 Luna بدون سقف مشخص پیام، از چت متنی استفاده کنن. 🔷 شرکت OpenAI از استاندارد Agent Plugin رونمایی کرد شرکت OpenAI استاندارد جدیدی با نام Agent Plugin معرفی کرده که هدفش استانداردسازی اتصال Agentهای هوش مصنوعی به ابزارها و سرویسهای مختلفه. نکته جالب اینکه شرکتهای بزرگی مثل Microsoft، GitHub، AW…
❤3👌3
🎙 تحلیل مهمترین اخبار هوش مصنوعی این هفته توی این فایل صوتی، مهمترین اتفاقات دنیای AI رو بررسی کردیم و گفتیم هر خبر چه تأثیری روی آینده این حوزه داره. 🧠 فیلاگر |جامعه هوشمصنوعی ایران 🆔 @filoger_com LinkedIn | Instagram
❤3👾2
Showing the 12 most recent of 31 posts we hold for @filoger_com. 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 7 registered channels — 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.
The reverse of the list above, and a different kind of signal. This does not require this channel to have ever been asked about directly — each row below is a channel we DID ask Telegram about, whose Telegram-generated list happened to include this one. A channel can appear here with an empty list above it, because being named by someone else’s query is independent of having been queried itself.
This channel appears in 10 seed channels' Telegram-generated recommendation lists in total. Each is Telegram’s list for THAT channel, not this one — see how this is measured.
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 18 September 2026 — this entry's latest reading, not the date you are reading this.
“فیلاگر|جامعه هوش مصنوعی ایران” (@filoger_com), 4,755 subscribers as measured 18 September 2026. Telegram Register, tgregister.com/channel/filoger_com.
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.