Channel
@mltochka
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
4,261subscribers
-12 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1002258853788 |
|---|---|
| Type | Channel |
| Username | @mltochka |
| Created | Between 1 October 2024 and 31 March 2025— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 12 August 2026 |
| Measurements held | 4 |
| Confirmed unchanged | 1 time, most recently 12 August 2026 |
| On Telegram | t.me/mltochka |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 12 Aug 2026, 14:58 | 4,261 | -3 |
| 9 Aug 2026, 19:01 | 4,264 | -9 |
| 6 Aug 2026, 13:50 | 4,273 | no change |
| 6 Aug 2026, 13:50 | 4,273 | first reading |
20 posts held, back to 3 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 5 pagesof 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 4 August 2026 |
|---|---|
| Posts held | 20 (3 March 2026 – 4 August 2026) |
| Views total | 7,050 |
| Reactions total | 134 |
| Forwards / comments | not exposed by the public surface — not measured, not estimated |
| Readings taken | 8 Aug 2026, 11:59 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.
832 reactions across 20 posts, in 21 distinct kinds. The most used accounts for 41.3% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 344 | 41.3% | |
| 🔥 | 241 | 29.0% | |
| 👍 | 107 | 12.9% | |
| ❤🔥 | 20 | 2.40% | |
| ⚡ | 19 | 2.28% | |
| 👀 | 19 | 2.28% | |
| 👏 | 19 | 2.28% | |
| 🤩 | 14 | 1.68% | |
| ✍ | 11 | 1.32% | |
| 👨💻 | 8 | 0.962% | |
| 😍 | 7 | 0.841% | |
| 🏆 | 5 | 0.601% | |
| 💯 | 5 | 0.601% | |
| 🤡 | 4 | 0.481% | |
| 🤔 | 2 | 0.24% | |
| 🥱 | 2 | 0.24% | |
| 🌭 | 1 | 0.12% | |
| 🍌 | 1 | 0.12% | |
| 💅 | 1 | 0.12% | |
| 🙏 | 1 | 0.12% | |
| 1 further kind | 1 | 0.12% |
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 832reactions 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 3 March 2026 to 4 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.
Как обучить 66 моделей и не сойти с ума? Продолжаем серию постов о построении NBA для банковских продуктов. В предыдущем посте мы рассказывали о модели отклика на продукт, которая показывает вероятность подключения без дополнительных коммуникаций. Так как в банке 66 разных продуктов, то модель отклика нужно построить для каждого. Если делать их руками — подбирать фичи, чистить данные, тюнить гиперпараметры, проверя…
❤16🔥15👏6👍4
Построение модели Next Best Action Это продолжение серии постов о построении NBA. В прошлом посте мы рассказывали, что классическое uplift-моделирование плохо подходит для банковских продуктов. Чтобы получить статистически значимый результат, нужно провести кучу A/B-тестов и отправить миллионы сообщений. Поэтому мы сделали несколько инженерных допущений: 1. Стали считать эффект только после взаимодействия с коммун…
❤12👍6🔥6👀2
Как посчитать пользу коммуникации? В прошлом посте мы рассказывали о построении NBA для банковских продуктов. Теперь возникает вопрос: как понять, какое действие будет лучшим для конкретного клиента? Чтобы выбрать коммуникацию, которая принесёт максимум пользы, используем формулу ожидаемой ценности (Expected Value): EV(x,C,Pr) = Δ(x,C,Pr)*LTV(x,Pr)-Cost(C) x — признаки клиента; С — канал коммуникации; Pr — продук…
👍13🔥9💯5❤3
Как продвигать банковские продукты и не превратить коммуникации в спам? Представьте банк, у которого десятки продуктов: расчётные счета, эквайринг, бухгалтерия, зарплатные проекты, страховки, сейфы. Каждый из них нужно продвигать и выполнять бизнес-показатели. Но есть проблема: все эти продукты нужны одним и тем же клиентам. Как обычно выглядит процесс продвижения: Менеджер с аналитиком придумывают гипотезу → выбир…
🔥19❤10👍4👏4
Эволюция Attention: эра гибридных моделей Это завершение серии постов про путь линейного attention. После S4 архитектуры прошли несколько этапов развития: 📌 Mamba — впервые для SSM сделала параметры зависимыми от входа. Благодаря этому модель умеет хранить контекст в памяти и адаптивно решает, что забывать, а что помнить в зависимости от контекста. Поэтому при селективном копировании информации выигрывает у стандар…
🔥16❤🔥9👍7❤1🥱1🙏1
CancelledError — всего лишь очередное исключение. Или не совсем? Когда пользователь закрывает соединение, срабатывает таймаут или отменяется TaskGroup, под капотом запускается довольно сложный механизм прерывания Python-кода. В статье разобрали: • что на самом деле происходит при отмене задачи в asyncio; • что такое CancelledError с точки зрения event loop; • как устроен протокол cancel/uncancel и как это связано …
👍10🔥7❤5
Эволюция Attention: S4 и работа с длинным контекстом Продолжаем серию постов про путь линейного внимания. После RWKV стало понятно: чтобы уйти от дорогого Attention, память должна уметь работать с длинным контекстом. Нужно не просто хранить информацию, а обновлять её во времени. 📌 Параллельно с RWKV развивалась архитектура State Space Models (SSM) Изначально SSM пришла из физики и математики — там использовали так…
❤19⚡8🔥5👍3🤓1🤔1
В предыдущем посте мы рассказали, что такое conformal prediction и зачем он нужен. Но наверняка у вас появились вопросы: 1. А как именно модель понимает, насколько конкретный объект «странный» или «рискованный»? 2. Как обучается конформный предиктор? Ответ на первый вопрос: через меру некомфортности. Мера некомфортности — это функция, которая показывает, насколько плохо конкретная пара (x, y) согласуется с моделью …
❤19🔥16😍7👍3🌭1🍌1🏆1💅1
Эволюция Attention: переход к линейным моделям Это продолжение серии постов про путь линейного Attention. В прошлый раз мы выяснили, что трансформеры имеют квадратичную сложность, из-за чего плохо масштабируются на длинные последовательности и требуют много памяти. 📌 Linear Attention впервые поменял подход к вычислению. Он позволил разложить kernel-функцию и вместо exp(QKᵀ) использовать φ(Q) · φ(K). Благодаря этому…
❤24🔥11✍8👍2
Мы на AHA’26 и в AI Talent HUB Лиза Афанасьева выступит на AHA’26 с докладом про данные для обучения LLM: Мы обучили Qwen 235B так, что на наших задачах модель работает на уровне GPT-4.1, при этом существенно снижая затраты компании. В докладе расскажу, как мы готовим и фильтруем данные для обучения inhouse LLM, какие пайплайны используем на разных этапах и какие ошибки успели собрать по пути. В результате слушате…
❤20👍10🔥7❤🔥2
Эволюция Attention: от RNN к Transformer Открываем серию постов, в которых расскажем про путь к линейному Attention. До трансформеров в задачах перевода и классификации в основном использовали рекуррентные модели (RNN). В 2014 году появился механизм Attention. Он позволил не просто читать текст последовательно, а смотреть все входные токены и оценивать, какие из них важны для генерации. Как это работало: Двунапра…
❤33⚡11🔥11👍7🤔1
Верите ли в надёжный ML так же, как в него верим мы? Наверняка вам приходилось сталкиваться с требованиями калибровки модели, интерпретируемости, объяснимости. Но что делать, если в какой-то момент нужно получить ответ на вопрос: Насколько можно доверять этому конкретному предсказанию? Тут нам на помощь приходит conformal prediction. Это подход, который добавляет к предсказаниям модели оценку неопределённости. Об…
❤29👍14🔥8👏3🥱1
Showing the 12 most recent of 20 posts we hold for @mltochka. 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 — 584,414 of 1,169,250entries 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.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
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.
Named by 2 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.
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 12 August 2026 — this entry's latest reading, not the date you are reading this.
“.ml” (@mltochka), 4,261 subscribers as measured 12 August 2026. Telegram Register, tgregister.com/channel/mltochka.
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.