Channel
@maks_it_ai
On this record: Growth · Engagement · Reactions · Posts · Polls · Citations · Cite this entry
674subscribers
+3 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002836551276 |
|---|---|
| Type | Channel |
| Username | @maks_it_ai |
| Created | Between 1 June 2025 and 30 September 2025— 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/maks_it_ai |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 15 Aug 2026, 02:44 | 674 | +3 |
| 8 Aug 2026, 02:33 | 671 | no change |
| 7 Aug 2026, 18:08 | 671 | first reading |
20 posts held, back to 25 March 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.
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 8 July 2026. An engagement rate over an empty window would be a number about nothing.
147 reactions across 14 posts, in 6 distinct kinds. The most used accounts for 29.9% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 44 | 29.9% | |
| 🔥 | 37 | 25.2% | |
| ❤ | 35 | 23.8% | |
| 🤯 | 28 | 19.0% | |
| 👏 | 2 | 1.36% | |
| 🤔 | 1 | 0.68% |
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 14 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 147reactions 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 25 March 2026 to 8 July 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.
Как я разработал легковесный Guardrails для русского языка Написал статью на Хабр, в которой поделился процессом разработки своей версии легковесного Guardrails. Рассказал что такое Guardrails, основные компоненты lite-guardrails, его архитектура, этапы разработки, настройкой observability, а также создание документации по проекту. Ссылка на GitHub - здесь Ссылка на статью - здесь Максим Максимов // IT, AI
👍3🔥1🤯1
⚡️ Открываем бенчмарк для детекции PII в русском тексте Мы тут много рассказывали про работу guardrails. А теперь выкатываем в открытый доступ бенчмарк для детекции персональных данных на русском языке. На нём можно сравнивать NER-модели, PII-детекторы и системы анонимизации. Внутри датасета 21 тип персональных данных: • ФИО: имя, фамилия, отчество; • адресная иерархия: страна, регион, город, район, улица, дом; • к…
❤3👍3🤯1
Как дообучить LLM. Рассказываю шаг за шагом Написал статью на Хабр, в которой рассказал шаг за шагом как дообучить LLM под свою задачу. От описания эксперимента, подготовки данных, метрик до обучения модели и ее тестирования. В качестве примера обучил Qwen2.5-0.5B извлечению информации из текста по заданной схеме в формате JSON. 🔥 Welcome!
❤9🔥4🤯2🤔1
Максим Максимов // IT, AI pinned «🤷 Когда использовать BERT, а когда LLM? Во время решения различных NLP задач ловлю себя на мысли, что часто можно применить LLM. Задача классификации? - Берём LLM + Structured Output. Задача NER? - Тоже можно взять LLM, написать пару промптов и алгоритмов…»
🤷 Когда использовать BERT, а когда LLM? Во время решения различных NLP задач ловлю себя на мысли, что часто можно применить LLM. Задача классификации? - Берём LLM + Structured Output. Задача NER? - Тоже можно взять LLM, написать пару промптов и алгоритмов и вуаля - будем находить персональные данные в тексте. Но, к сожалению, не так все просто. 1️⃣ Первое, во что упираемся - это инфраструктура и требования к сис…
❤7👍4🔥3🤯1
Максим Максимов // IT, AI pinned «🤑 Как платить меньше за инференс LLM Занимался изучением вопроса удешевления стоимости токенов во время работы с облачными LLM. Изучил некоторые способы и решил рассказать о двух популярных и простых в использовании подходах, которые можно применить для…»
🤑 Как платить меньше за инференс LLM Занимался изучением вопроса удешевления стоимости токенов во время работы с облачными LLM. Изучил некоторые способы и решил рассказать о двух популярных и простых в использовании подходах, которые можно применить для этого. 🔺Кэширование промптов (Prompt Caching) Это метод, в котором часто используемые промпты сохраняются в памяти провайдера LLM. Он основан на сохранении KV-cac…
👍5🤯3
⚡️ Открываем NSFW-бенчмарк для систем модерации В прошлых постах мы много говорили о фильтрации NSFW. А теперь выкатываем в открытый доступ наш двуязычный бенчмарк для систем модерации контента. Что внутри датасета: • контрастные пары — о которых мы уже писали, • сложные пограничные примеры — hard negatives. Все данные собирались, отсеивались и валидировались полностью вручную. В карточке датасета рассказали, как…
🤯2🔥1
Максим Максимов // IT, AI pinned «Как решать задачу NER на практике Опубликовал статью на Хабр, в которой разобрал задачу NER на реальном примере — извлечение сущностей из резюме. Прошёлся по основным этапам: от поиска данных и разметки в Label Studio до обучения BERT моделей и написания…»
Как решать задачу NER на практике Опубликовал статью на Хабр, в которой разобрал задачу NER на реальном примере — извлечение сущностей из резюме. Прошёлся по основным этапам: от поиска данных и разметки в Label Studio до обучения BERT моделей и написания сервиса на FastAPI. Старался давать меньше теории и больше практики с кодом на Python. Ссылка на статью
❤4🤯3👍2🔥2
Тестирование AI-агентов ✅ Представим, что вы разработали AI-агента. Как понять, что он работает хорошо? А если поменять параметры — стало лучше или хуже? Что такое «хорошо» для вашего агента Для начала нужно определить, какую задачу агент выполняет в системе. На этом этапе выделяются сценарии работы и end-to-end метрики: выполняется ли задача, какова точность результата, сколько времени и ресурсов требуется. Оцен…
👍4👏2🤯2
Максим Максимов // IT, AI pinned a photo
Showing the 12 most recent of 20 posts we hold for @maks_it_ai. 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.
The poll we hold for this entry, as Telegram rendered it when we read the post. A poll’s figures keep moving after that, so each one is dated.
Какой у вас опыт с AI-агентами?
Shares as published. No per-option vote count is published by Telegram, so none is shown.
Percentages only — there are no per-option vote counts here, because Telegram publishes none.The public post preview gives each option’s share and a single voter total, and nothing else. Multiplying one by the other would produce a per-option tally that looks measured and is not: the shares are rounded to whole numbers before we ever see them. We print what was published and leave the column that does not exist empty.
The shares need not add up to 100.Rounding alone puts many polls at 99 or 101. A poll that allows more than one answer per voter runs well past 100 by design, and several here do. The bars are drawn against a fixed 100% track at each option’s own percentage rather than normalised to the total, so a poll that exceeds it shows that it does instead of being quietly rescaled.
Read from the 20 most recent posts we hold, published 25 March 2026 to 8 July 2026. Telegram labels each poll by kind — an anonymous poll, a quiz, a closed set of final results — and that label is reproduced rather than paraphrased.
Republishes
Channels on the register whose posts this channel has forwarded.
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.
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.
“Максим Максимов // IT, AI” (@maks_it_ai), 674 subscribers as measured 15 August 2026. Telegram Register, tgregister.com/channel/maks_it_ai.
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.