Channel
@promptspace
On this record: Growth · Engagement · What this channel posts · Reactions · Posts · Cite this entry
173subscribers
-2 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002393710566 |
|---|---|
| Type | Channel |
| Username | @promptspace |
| Created | Between 1 September 2024 and 31 March 2025— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 8 August 2026 |
| Last confirmed live | 22 August 2026 |
| Measurements held | 3 |
| Confirmed unchanged | 1 time, most recently 22 August 2026 |
| On Telegram | t.me/promptspace |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 22 Aug 2026, 10:04 | 173 | -2 |
| 8 Aug 2026, 14:01 | 175 | no change |
| 7 Aug 2026, 16:02 | 175 | first reading |
20 posts held, back to 1 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 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. It is computed over the 3 of 18 measured posts that carry a reaction reading, and over those same posts' views.
| Window | Rolling 30 days · latest post in window 27 July 2026 |
|---|---|
| Posts held | 20 (1 July 2026 – 27 July 2026) |
| Views total | 172 |
| Reactions total | 3 |
| Forwards / comments | not exposed by the public surface — not measured, not estimated |
| Readings taken | 8 Aug 2026, 14:01 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.
Measured directly from 1 video 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.
5 reactions across 5 posts, in 1 kind.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| custom 5249156295839211576 | 5 | 100.0% |
Custom emoji. One row above is a Telegram custom emoji, which the public preview renders as an element carrying only a numeric id — no character, and no image we can reach. The id is printed as-is rather than substituted with a look-alike glyph, because a stand-in would be our invention showing where a measurement should be. The count beside it isTelegram’s.
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 5 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 5reactions 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 1 July 2026 to 27 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.
Исследование оценило объем памяти языковых моделей и объяснило две фазы обучения Исследователи показали, что языковые модели сохраняют в среднем около 3,6 бита информации на каждый параметр, что позволяет количественно оценивать границу между запоминанием и обобщением. Работа основана на информационно-теоретическом анализе сотен GPT-моделей и использует концепцию колмогоровской сложности для разделения непреднамере…
Теория случайных матриц объяснила стабильность генерации диффузионных моделей Исследователи представили математическое объяснение того, почему диффузионные модели, обученные на разных непересекающихся подмножествах одного датасета, создают похожие изображения при одинаковом начальном шуме. Работа использует инструменты теории случайных матриц и линейную модель диффузии для анализа феномена consistency. Авторы показ…
Исследование показало, что гроккинг возникает даже в простой линейной модели Исследователи получили первое строгое математическое доказательство феномена гроккинга в классической ридж-регрессии с избыточным числом параметров и обучением через градиентный спуск с weight decay. Гроккинг описывает ситуацию, когда модель сначала полностью запоминает обучающие данные, но продолжает улучшаться и только спустя длительное …
Исследование показало несоответствие между борьбой с дипфейками и реальными рисками генеративного ИИ Авторы ICML 2026 проанализировали исследования по детекции дипфейков и показали, что большая часть технических решений направлена на проверку подлинности контента, а не на предотвращение наиболее распространенных форм вреда. Работа изучает проблему AI-Generated Non-Consensual Intimate Imagery, когда генеративные мод…
Experience Graphs создают инфраструктуру для хранения опыта самообучающихся ИИ-агентов Исследователи представили Trellis, систему хранения данных для ИИ-агентов, которая превращает историю действий, решений и поиска в полноценный версионируемый граф опыта. Современные агенты часто сохраняют результаты работы в временных файлах, логах или локальных структурах данных. Такой подход усложняет повторное использование оп…
Sparse Delta Memory увеличивает память линейных RNN без роста вычислительной сложности Исследователи представили Sparse Delta Memory, архитектуру, которая расширяет внутреннюю память моделей типа SSM и линейных RNN на несколько порядков за счет разреженного чтения и записи состояния. Одно из ограничений рекуррентных моделей заключается в фиксированном размере скрытого состояния. В отличие от трансформеров, которым …
SepaRank предлагает оценивать ИИ через состязательную психометрику вместо классических бенчмарков Исследователи Princeton Superalignment представили SepaRank, метод оценки ИИ-моделей, в котором сами модели создают и решают задачи, формируя динамическую систему сравнения. Традиционные бенчмарки постепенно теряют эффективность, поскольку сильные модели достигают предела по фиксированным наборам тестов, а создание нов…
Agents-A1 показывает, как 35B-модель может конкурировать с гигантскими ИИ за счет длинного горизонта действий Исследователи Shanghai Artificial Intelligence Laboratory представили Agents-A1, агентную MoE-модель на 35 млрд параметров, которая достигает результатов моделей значительно большего масштаба за счет оптимизации процесса принятия решений. Вместо увеличения количества параметров авторы сосредоточились на рас…
LOTUS объединяет латентное рассуждение и зацикленные трансформеры для ускорения ИИ-моделей Исследователи представили LOTUS, архитектуру латентного рассуждения, которая позволяет языковой модели размером 3B сохранять качество цепочек рассуждений CoT при ускорении процесса генерации в несколько раз. Метод объединяет идеи Universal Transformer с разделяемыми весами и скрытого рассуждения. Вместо последовательной генер…
Исследование показало ограничения сжатия рекурсивных ИИ-моделей для edge-устройств Ученые исследовали, как рекурсивные модели рассуждения сохраняют качество после сжатия для устройств с ограниченной памятью, и обнаружили особый тип деградации, при котором локальные предсказания остаются точными, но итоговое решение задачи становится неверным. Работа изучает методы постобучающего квантования, структурированного прун…
Шмидхубер представил обзор современных подходов к самоулучшающимся ИИ-агентам Исследователи во главе с Юргеном Шмидхубером опубликовали 97-страничный обзор самоулучшающихся агентных систем, в котором формализовали архитектуру агента как сочетание параметров модели и внешней системной обвязки. Авторы описывают агента как конфигурацию A_t = (θ_t, Σ_t), где θ_t отвечает за параметры базовой модели, а Σ_t за инструмент…
LLM-as-a-Verifier предлагает заменить текстовых ИИ-судей на анализ распределения вероятностей Исследователи представили LLM-as-a-Verifier, фреймворк оценки ответов моделей, который анализирует не итоговый текстовый вердикт, а внутреннее распределение вероятностей токенов до формирования ответа. Традиционный подход LLM-as-a-Judge заставляет модель выдать дискретное решение в виде текста или оценки. Из-за этого близк…
Showing the 12 most recent of 20 posts we hold for @promptspace. 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.
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 22 August 2026 — this entry's latest reading, not the date you are reading this.
“prompt space” (@promptspace), 173 subscribers as measured 22 August 2026. Telegram Register, tgregister.com/channel/promptspace.
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.