AI & Deep Learning
All about Deep Learning, LLMs #deeplearning #deep_learning #AI #ML Follow for quality content amid all the noise in #AI.
Mostrar más📈 Análisis del canal de Telegram AI & Deep Learning
El canal AI & Deep Learning (@deeplearning005) en el segmento lingüístico de Inglés es un actor destacado. Actualmente la comunidad reúne a 11 116 suscriptores, ocupando la posición 10 720 en la categoría Tecnologías y Aplicaciones y el puesto 34 622 en la región India.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 11 116 suscriptores.
Según los últimos datos del 15 septiembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 159, y en las últimas 24 horas de 3, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 12.69%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.48% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 411 visualizaciones. En el primer día suele acumular 276 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 4.
- Intereses temáticos: El contenido se centra en temas clave como developer, openai.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“All about Deep Learning, LLMs #deeplearning #deep_learning #AI #ML
Follow for quality content amid all the noise in #AI.”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 16 septiembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
Carga de datos en curso...
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 16 septiembre | +1 | |||
| 15 septiembre | +4 | |||
| 14 septiembre | +9 | |||
| 13 septiembre | +8 | |||
| 12 septiembre | +7 | |||
| 11 septiembre | +15 | |||
| 10 septiembre | +10 | |||
| 09 septiembre | +3 | |||
| 08 septiembre | +5 | |||
| 07 septiembre | +3 | |||
| 06 septiembre | +8 | |||
| 05 septiembre | +3 | |||
| 04 septiembre | +5 | |||
| 03 septiembre | +11 | |||
| 02 septiembre | +12 | |||
| 01 septiembre | +11 |
| 2 | https://github.com/NanoNets/Graft | 695 |
| 3 | https://deepmind.google/models/model-cards/gemini-3-8-flash/ | 879 |
| 4 | Kronos: A Foundation Model for the Language of Financial Markets
Kronos is the first open-source foundation model for financial candlesticks (K-lines), trained on data from over 45 global exchanges.
https://github.com/shiyu-coder/Kronos | 936 |
| 5 | https://qwen.ai/blog?id=qwen3.8 | 1 169 |
| 6 | https://openai.com/index/gpt-6-astra/ | 1 275 |
| 7 | https://z.ai/blog/glm-5.3-flash | 1 479 |
| 8 | Atomic chat has made running local models very efficient, they ship with turboquant and kv cache baked in, giving much better performance.
https://atomic.chat/ | 1 921 |
| 9 | Great News! MCP will now be stateless, this was a much awaited change. Read full blog:
https://blog.modelcontextprotocol.io/posts/2026-07-28-release-candidate/ | 1 924 |
| 10 | https://gemini.google/overview/agent/spark/ | 1 948 |
| 11 | Grok 4.6 achieves frontier intelligence across several agentic coding and knowledge work benchmarks. It matches GPT-5.6 Sol on the Artificial Analysis Intelligence Index, which is a composite score of nine benchmarks.
https://x.ai/news/grok-4-6 | 2 038 |
| 12 | https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model | 1 963 |
| 13 | https://github.com/yc-software/qm | 1 784 |
| 14 | https://qwen.ai/blog?id=qwen3.8 | 1 788 |
| 15 | https://thinkingmachines.ai/news/introducing-inkling/ | 1 871 |
| 16 | TabFM (Tabular Foundation Model) is a pretrained tabular foundation model developed by Google Research for tabular data regression and classification.
At inference time, TabFM does not require training parameters on your dataset; instead, it leverages in-context learning by reading your training data as "context" to make instant predictions on new test samples.
https://github.com/google-research/tabfm | 1 872 |
| 17 | https://www.anthropic.com/news/claude-opus-5 | 1 708 |
| 18 | https://www.zdnet.com/article/claude-ai-shared-chats-indexed-by-google/ | 1 694 |
| 19 | https://github.com/hkuds/lightrag | 1 774 |
| 20 | TabFM (Tabular Foundation Model) is a pretrained tabular foundation model developed by Google Research for tabular data regression and classification.
At inference time, TabFM does not require training parameters on your dataset; instead, it leverages in-context learning by reading your training data as "context" to make instant predictions on new test samples.
https://github.com/google-research/tabfm | 1 |
