@cryptovalerii
Время Валеры
Telegram channel @cryptovalerii: 32.1K subscribers, 19.3K views per post, score 80
- 32.1K
- Subscribers
- 19.3K
- Median views over 30 days
- 60.1%
- Views / subscribers over 30 days
- 11
- Posts over 30 days
Data as of November 19, 2026
catalog description About the channel, by its author
manning.com/…
https://www.manning.com/books/machine-learning-system-designOverview
Written automatically from the channel's data, updated 6 September 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
Vremya Valery is a personal channel of an engineer writing about the practical side of AI systems: prompt compression for agents, an open-source skill called lossless-doc-compress, design-doc reviews, and work on a book titled 'Agentic AI System Design'. Alongside that are posts about conferences like Yandex Scale and a FuckUp Night with industry peers, plus occasional personal notes on running, supplements, or bespoke shoes. The voice is distinctly personal — a practitioner's log, not a curated news feed.
Over 30 days only 8 posts went out, well below the category median of 20 posts in the same window for Artificial Intelligence. Yet median views sit at 17,307 and ER at 56.1%, nearly double the category median of 28.0% — whoever reads this channel reads it closely. Across the 13-day observation window, subscribers grew by 76 while average views dropped by 1,593.
This fits readers who want deep, practitioner-level takes on LLM engineering and agent system design rather than a quick news digest. With 30,827 subscribers and a Place Score of 83, the channel stands out among the category's 71 listings, even though it posts far less often than most neighbors.
Common questions
- What is the @cryptovalerii channel about?
- It covers LLM agent engineering, prompt compression, design-doc reviews, and the author's work on a book about agentic AI systems. It also includes personal notes and conference mentions.
- Is advertising available on @cryptovalerii?
- The owner hasn't published a price list yet. You can reach out directly on Telegram.
- How many subscribers?
- Subscribers: 32.1K. Median views per post: 19.3K. Views per subscriber: 60.1%. Measured on November 19, 2026.
- How often are posts published?
- Posts in the last 30 days: 11 — that is a few times a week. Measured on November 19, 2026.
- Does this channel have a Telegram tick?
- No Telegram tick.
- Who runs this channel page in the catalog?
- Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?
Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.
Verify ownershipTakes a minute: a post with a code, or the bot as an admin
Your page on tg.place
Know the owner?
Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 30 of 30 |
| Growth quality | 16.6 of 20 |
| Reactions and forwards | 10.2 of 15 |
| Consistency | 6.6 of 12 |
| Trust | 5 of 8 |
| Reviews | not enough datano reviews yet |
Score 80 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- Вернулся из Алматы под огромным впечатлением от Higgsfield. Ребята просто невероятные. И атмосфера, и условия, и сама дата-команда. Дидар, который её собрал, - замечательный. Команда - умные, молодые, голодные ребята. А главное - то, насколько они преданы своему делу, насколько им всё это интересно и как они кайфуют от того, что делают. Очень напомнило мне мои времена в Яндекс.Советнике, куда я пришёл первым аналитиком, когда Яндекс только купил этот стартап. Немного напомнило Blockchain.com и первый год работы в X5. В ближайшее время выпустим видео с ребятами из команды аналитики Higgsfield. Дидару, Алексу, Ерзату и всей команде - всяческих успехов!
- Учить студентов воспроизводить результаты научных статей - абсолютно правильная идея. Более того, удивительно, что такие курсы не стали обязательной частью ML-образования много лет назад. Посмотрел новый подкаст, где руководитель ШАДа Яндекса обсуждает программу: Воспроизведение экспериментов из лучших современных статей. В ней могут поучаствовать студенты из любых ВУЗов. Вместе с менторами они в течение двух недель пытаются повторить результаты опубликованных исследований. И обнаруживают, что далеко не всегда это получается. Проблема, на самом деле, фундаментальная. Ещё в 2019 году вышла замечательная статья Are We Really Making Much Progress?, авторы которой исследовали прогресс в рекомендательных системах. Оказалось, что многие опубликованные результаты трудно воспроизвести, а некоторые современные нейросетевые подходы проигрывают гораздо более простым, но правильно настроенным алгоритмам. Сейчас мы наблюдаем похожую историю с LLM. Новая модель выходит, разрывает существующие бенчмарки, объявляется очередным прорывом. Проходит несколько месяцев, появляются новые бенчи - и расстановка сил существенно (и каждый раз неожиданно!) меняется. Игорь как раз выступал на Higgsfield Data Day с докладом. Похожие оценки - разные истории, как раз на близкую тему, о бенчмарках и интерпретации результатов. Я в рамках собственного курса постоянно повторяю одну мысль: если ты умеешь измерять, изменять и откатываться обратно, ты можешь построить монотонно улучшаемую систему. Результаты измерений должны быть воспроизводимыми. Иначе ты просто не знаешь, действительно ли твоя система стала лучше или тебе повезло с экспериментом. И это касается далеко не только научных публикаций. Это один из краеугольных камней проектирования любых ML-систем: корректные метрики, честные бейзлайны, воспроизводимые эксперименты и возможность проверить каждое улучшение. Воспроизводимости нужно учить студентов с самого начала. Причём не как отдельной академической дисциплине, а как фундаментальному инженерному навыку. Самое интересное, что идея кажется совершенно очевидной. Но это как раз тот случай, когда смотришь на чужое решение и думаешь: почему мы сами не сделали этого десять лет назад?
- Ad
- Начинаем через 7 минут, фотка с ребятами, которых привезли (и с Анатолием Карповым). Ребят спрашивали, не шахматисты ли они, потому что в списке у водителя среди прочих был известный шахматист.
- Завтра — Data Day — Higgsfield Трансляция 7 ноября (ссылка) Записи скорее всего не будет Начало: 15:00 Алматы · 13:00 МСК Программа — время Алматы: 15:00 - Ерзат Дулат, CTO и co-founder Higgsfield, открытие 15:15 - Ануар Аймолдин, DSML.KZ 15:45 - Валерий Бабушкин, Время Валеры 16:15 - Игорь Котенков, Сиолошная 17:00 - Роман Ященко, Higgsfield 17:30 - Анатолий Карпов, KarpovCourses 18:00 - Дидар Нуркаир, Higgsfield
- Буду в Алматы примерно 10 дней, с 5 по 14 ноября. Создал небольшую группу на случай, если есть желающие собраться или что-то организовать. Ссылку на группу оставил в комментариях.
- 7 ноября лечу в Алматы на data-митап Higgsfield — и привезу кого-то с собой. Те, кто пропустил посты выше: Higgsfield — одна из самых быстрорастущих GenAI-компаний: $1B годовой выручки в run rate, 30M+ пользователей, 6M+ генераций в день. Сейчас они активно инвестируют в дата-команду — аналитиков, DS и ML-инженеров — и устраивают митап, где расскажут, как устроены данные в продукте такого масштаба. Я тоже выступаю. Higgsfield оплатит перелёт и гостиницу трём сильным ребятам, откуда бы они ни были. Приезжаете на выходные, слушаете доклады, знакомитесь с командой, а если захотите — можно пройти собеседование прямо на месте. Как попасть: - заполнить гугл-форму до 3 ноября: [ссылка] - рассказать о себе и об одном проекте, которым гордитесь - отбирать буду лично, имена объявлю во вторник Кто не прилетит — будет трансляция / выложим записи на YouTube. Когда: суббота, 7 ноября Где: Алматы, площадку объявлю позже
- N-граммы ещё нужны Забавно наблюдать, как вещи из древнего NLP мира продолжают приносить пользу в эру генеративных моделей. Биграммы, триграммы, статистики последовательностей - казалось бы, кому это нужно И вот Herman Brunborg показал решение для NanoGPT Speedrun, которое ускоряет NanoGPT в 6 раз, с 39.9 до 6.7 секунд . В основе - трансформер, которому помогают n-граммы. Идея довольно простая: посмотреть, встречалась ли уже такая последовательность токенов, и подсказать модели, что идет после неё и с какой вероятностью и надежностью. Здесь используются последовательности длиной 6, 10 и 20 токенов. Трансформер просто получает дополнительную информацию из отдельного индекса. GitHub Условный пример: какой-то фрагмент встретился в текстах сто раз, и в девяноста пяти случаях после него было одно и то же слово. Это полезная подсказка. Зачем обязательно заставлять нейросеть запоминать такую закономерность исключительно в весах, если можно ещё и дать подсказку. Причём придумать подсказку — половина дела. Нужно успеть построить и использовать индекс, иначе всё ускорение съест работа с ним. У Brunborg CPU обрабатывает корпус из 37 миллиардов токенов параллельно с обучением нейросети. То есть результат получен в том числе за счёт того, что в работу включили дополнительные ресурсы машины. Поможет пост Игоря про домашку Anthropic. В самом разборе Игорь поясняет за SIMD - когда одна инструкция обрабатывает сразу несколько элементов, работу с памятью и планирование параллельных операций и последовательно сокращает выполнение задачи со 147 тысяч до 2262 тактов, ускоряя примерно в 65 раз. Очень наглядный пример того, зачем вообще разбираться, как исполняется твой код. Оговорка: это конкретный бенчмарк, где помогают точные совпадения с обучающими текстами. Х6 (Х5?) не гарантируется, но трюк хороший и опять же - 6.7 Оговорка номер 2. Transformer trained with hints performs slightly worse without those hints than a comparable model trained without retrieval. Возможно AGI так не построить
- Очень хороший пост от Gergely - автора pragmatic engineer Причина, по которой SWE/IT находится в таком привилегированном положении в плане зарплат, условий и локаций (от легкого переезда до удаленки), связана не столько с тем, что это область, в которую сложно войти, а в том, что сама область постоянно изменяется, и необходимо постоянно учиться и адаптироваться. Далее он пишет, что в отрасли был период стабильности в 10 лет, в который люди, казалось, забыли, что премиум платится именно за это. Согласен со многим, в том числе это одна из причин, почему ML-специалисты и около них не сильно пострадали: этим добрякам все эти 10 лет приходилось постоянно себя переизобретать, и далеко не все выдерживали.Знаю многих, которые ушли из профессии как раз по этой причине: нужно постоянно, непрерывно учиться. I think many of us working in tech tend to forget that the reason software engineering vs other engineering fields pays (a lot!) more, is a lot more flexible (WFH/remote), and has better perks: Because this field changes much faster than other engineering fields. The premium is because fewer people are able/willing to pick up new technologies, methodologies so quickly. But the field had ~10-20 years of stability, and so lots of folks forgot this is why a premium exists. And that AI is just another tech wave: software engineers who pick it up and master it will generally fare better; those not will struggle a lot more. Ask your mechanical engineer, electrical engineer, civil engineer, chemical engineer friends (if you have them) what their pay is; how much equity; how easy it’s to work remote; and how easy to live countries without taking country-specific exams or learning the local language. Software engineering is a privileged field in many ways: but it’s like this because few enough put up with the brutal pace of change that happens periodically, and leaves those behind who don’t like sudden and less predictable change. In some ways: the job IS the ability and willingness to learn and adapt new technologies, fast, while building real-world stuff that makes money for the business one way or the other. We are paid a hefty premium to do exactly this, and because few enough people do this.
- Вот и Джейсон подключился
- Встретился с основателями Higgsfield, договорились, что помогу собрать топовую команду DS и аналитики. В ближайшее время буду работать с ребятами и их Head of Data Дидаром: помогать с наймом, участвовать в интервью и формировании команды. Планирую прилететь в Алматы на неделю-другую и познакомиться со всеми лично. Higgsfield делает AI-платформу для генерации контента. Классная комбинация задач: эксперименты, продуктовый рост, монетизация, платежи, антифрод. И отдельно — работа с последовательностями действий пользователей: как помочь человеку быстрее получить нужный результат генерации и попробовать натравить на это Reinforcement learning Кого ищем: • Product Analyst — продукт, удержание, монетизация. • Product Scientist — эксперименты, causal inference, ML для продуктовых решений. • Marketing / Growth Analyst — привлечение пользователей и эффективность маркетинга. • Payments Analyst — платежи, подписки и причины отказов. • Antifraud Analyst и Antifraud Scientist — расследования и модели против мошенничества. Есть также роли в B2B-продуктовой аналитике, CX / SEO / GEO и analytics engineering. Нужны люди с сильной базой, которые умеют разбираться в задаче, задавать вопросы и самостоятельно доводить работу до результата. По условиям: $100–350k в год + опционы, в зависимости от роли и уровня. Работа в офисе в Алматы, с финансовой и организационной поддержкой релокации. Темп высокий, рабочая неделя — шесть дней. Это стоит учитывать сразу. Для понимания задач — пара историй от ребят. Их антифрод-аналитик вычислил мошенника, которого искало ФБР, и помог собрать доказательства для дела. А руководитель Growth-аналитики разработал метрики, которые помогли компании закрыть раунд на $400 млн, и получил $5 млн опционами. Планируем первый стрим с Дидаром: поговорим о задачах, команде, подходе к работе и найме. Дату и время сообщу отдельно. Вопросы можно уже оставлять в комментариях. Если интересно — пишите мне @Venheads, обсудим, какая роль может подойти. Можно сразу откликнуться по ссылкам или написать рекрутеру @anton_higgs. Все вакансии — здесь. How Higgsfield Became One of the Fastest-Growing AI Video Platforms for Creators and Startups
The channel in numbers
- Created
- December 7, 2021
- Photos
- 241
- Videos
- 10
- Files
- 1
- Links
- 485
Telegram data as of November 19, 2026
Rankings and collections
- AI: what to readcollection
Contacts
- Ads
- @arturtimofeevv
From the channel description
Reviews
Leave a review
No reviews yet. Yours would be the first.