Channel
@gigatrash
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
717subscribers
-3 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001915681152 |
|---|---|
| Type | Channel |
| Username | @gigatrash |
| Created | Between 1 April 2023 and 31 October 2023— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 8 August 2026 |
| Last confirmed live | 15 August 2026 |
| Measurements held | 3 |
| Confirmed unchanged | 1 time, most recently 15 August 2026 |
| On Telegram | t.me/gigatrash |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 15 Aug 2026, 16:58 | 717 | -3 |
| 8 Aug 2026, 02:15 | 720 | no change |
| 7 Aug 2026, 18:47 | 720 | first reading |
20 posts held, back to 5 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 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 7 August 2026 |
|---|---|
| Posts held | 20 (5 May 2026 – 7 August 2026) |
| Views total | 1,146 |
| Reactions total | 51 |
| Forwards / comments | not exposed by the public surface — not measured, not estimated |
| Readings taken | 8 Aug 2026, 02:15 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.
249 reactions across 20 posts, in 9 distinct kinds. The most used accounts for 45.0% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 112 | 45.0% | |
| 🔥 | 73 | 29.3% | |
| ❤ | 38 | 15.3% | |
| 😢 | 8 | 3.21% | |
| 👏 | 6 | 2.41% | |
| 😁 | 4 | 1.61% | |
| 🤷 | 4 | 1.61% | |
| ⚡ | 2 | 0.803% | |
| 🤣 | 2 | 0.803% |
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 20 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 249reactions 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 5 May 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.
Забавная история со стандартизацией агентов Vercel вместе с AWS, Cursor, GitHub, Microsoft и OpenAI представили Agent Plugins 1.0.0 — открытый стандарт упаковки расширений для агентов. Google тоже объявил о поддержке. Смысл в том, чтобы один раз собрать расширение агента в переносимый пакет и использовать его в разных харнессах. Внутри — небольшой манифест, Agent Skills с инструкциями и скриптами и конфигурация MCP…
👍5⚡2
🧰 Вышел релиз Deep Agents v0.7 Забавно наблюдать за метаморфозами подходов. Год назад, когда Deep Agents только появился, его представили как сочетание четырёх ключевых особенностей: — планирование; — субагенты; — огромный системный промпт; — файловая система. А теперь в Deep Agents v0.7 две из четырёх основ перестали быть обязательными. Встроенный системный промпт изрядно сократили, а инструмент со списком задач…
❤11👍5🔥3
🔗 Как LangChain теперь оценивают Deep Agents Продолжаю вам надоедать постами про эвалы и Deep Agents, уж простите 🥲 Я уже писал про эксперимент LangChain и NVIDIA, в котором Nemotron 3 Ultra почти дотянули до Opus 4.8 за счёт настройки харнесса. Тогда изменения проверяли в основном на собственных узких задачах для отдельных способностей агента и небольшом количестве сложных примеров из крупных бенчмарков. Такого н…
❤7👍2
🔗 LangChain выпустили скилл для разработки эвалов В марте я уже писал про официальные скиллы LangChain, которые можно подключить к любому кодинговому агенту. На тот момент их было 11, с тех пор количество увеличилось до 15, в том числе eval-engineering, про который хочу сегодня рассказать. Если кратко, то eval-engineering создает оценочные задачи для агента на основе трейсов. Новый скилл во многом похож на подход Х…
🔥9❤4👍3
🧪 Вышел пост Хамела Хусейна (Hamel Husain) про автоэвалы Хамел не человек с улицы: 25 лет в ML, работал в Airbnb и GitHub. Сейчас консультирует компании по эвалам и ведёт курс по оценке ИИ-систем стоимостью какие-то жалкие 4200 долларов 😁 Автоэвалы — это системы, которые получают производственные трейсы агента и должны сами понять, что в его работе ломается: найти повторяющиеся проблемы и превратить их в автоматиче…
👍6❤3🔥3
Уже попробовали GPT-5.6? Как вам? А я вот на что обратил внимание: если смотреть на новые фичи, а не саму модель, то OpenAI методично собирает у себя то, что уже есть у Anthropic. 1. Programmatic Tool Calling в Responses API: модель пишет JavaScript, который вызывает инструменты параллельно, фильтрует промежуточные результаты и возвращает в контекст компактный итог. Придумали это в Anthropic (хотя может есть и боле…
🔥5👏3❤2
🤝 LangChain и NVIDIA заколлабились на тему опенсорсных агентов Я вам ранее жаловался, что LangChain дрейфует в сторону проприетарных решений. Но вот есть и обратные примеры. На этот раз они выложили материалы на тему того, как делать агентов целиком на открытом и при этом безопасном стеке. Вместе с NVIDIA они выпустили блюпринт (NVIDIA так называет готовые сборки агентов со всеми компонентами и настройками). Туда в…
👍9❤3🔥2
🤗 Вчера мне попался еще один пример кодингового агента, созданного в учебных целях, чтобы как можно больше людей разобрались в том, как работает харнесс. Речь про нового минималистичного агента Tau от Hugging Face. Как можно догадаться из названия, он похож на агента Pi. Разница в том, что Tau написан на Python и несколько упрощен в сравнении с Pi. Внутри у агента, как положено, ReAct-цикл, 4 инструмента (read, wr…
👍9
💰 Про подсчет экономики кодинговых агентов или сколько стоит один pull request Попались сразу два текста на эту тему. Поскольку лидеры внедрения ИИ в разработку переходят от стадии экспериментов к регулярным тратам на агентов, встаёт вопрос: как эти траты считать и чем их оправдывать. 🧐Cursor запускают CFO Council — это прямо клуб финансовых директоров, которые будут вырабатывать правила учёта расходов на ИИ. Повод…
👍6🔥2
🚀 Сегодня опенсорс-релиз GigaChat 3.5 Новая модель представляет собой MoE с линейным вниманием: 430 млрд параметров, из них активны ~28 млрд. За счёт линейного внимания модель лучше держит длинный контекст — обрабатывает его быстрее (до 4×) и экономнее по памяти (до 2×). Фокус релиза — код и математика🧮: заметный прирост здесь и в общих знаниях, ответы точнее и структурнее. Но самое важное для меня — рост качества…
👍5🔥2
🔧 Модели становятся умнее, а инструменты вызывают хуже Армин Ронахер (создатель Flask и Jinja2, сооснователь Earendil — компании, развивающей кодинговый агент Pi) написал важную заметку: новые модели Anthropic (Opus 4.8, Sonnet 5) стали чаще старых ошибаться при вызове инструментов сторонних агентов, таких как Pi. Ронахер поясняет на примере инструмента правки файлов: модель передаёт ему, какой кусок текста на какой…
🔥5👏3
⚡️Посмотрите, какими проектами занимаются стажёры у нас в GigaChat💬 На Хабре вышла статья про GFusion — диффузионную языковую модель, которую в качестве проектной работы разработал стажёр команды GigaChat Pretrain Даниил Тихонов. Даниил пришёл в Сбер студентом 4-го курса ФКН НИУ ВШЭ, успешно защитил диплом и теперь полноценно работает в команде фундаментальных моделей Сбера. В чем суть: привычные LLM пишут текст по…
🔥15
Showing the 12 most recent of 20 posts we hold for @gigatrash. 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 15 August 2026 — this entry's latest reading, not the date you are reading this.
“Trashchenkov” (@gigatrash), 717 subscribers as measured 15 August 2026. Telegram Register, tgregister.com/channel/gigatrash.
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.