Все категории

Модели

вы модель/фотомодель? вас ищут в этом разделе!

4 372 объявления найдено за последние 3 дня

Здесь показаны примеры поиска клиентов недельной давности.

Подписывайся, чтобы получать информацию обо всех новых клиентах в режиме реального времени!

🎬 #КАСТИНГ: РЕКЛАМА МОБИЛЬНОГО ОПЕРАТОРА СТАВРОПОЛЬЕ ▪ Город: #москва ▪ Гонорар: 25 000 ₽ -20% ▪ Требуются: Съемка в Москве! На съемку рекламы мобильного оператора Дата съемки: 03.07 Примерка 02.07 Ролик будет про жителей Ставрополья, если вы реальный Ставропольчанин - укажите это! Вы в приоритете! Трансфер за свой счет Групповка: КОМБАЙНЕР: парень, 22-28 лет, парень из тех, кто работает в поле и вечером едет на концерт. Современный, без деревенского штампа — в нём нет ничего архаичного. СТУДЕНТЫ: парень и девушка, 18-22 года, не инфлюенсеры, не отличники-зубрилы — обычные живые ребята, которым интересно что происходит вокруг. Между ними — настоящий контакт, не постановочная дружба. ВРАЧ: женщина, 40-50 лет, могут быть кавказские корни. Не «доктор из рекламы», а человек, которому реально можно доверять. Тепло у неё внутри, а не на лице. Смотрит на тебя как на человека, а не на пациента. ГИД: мужчина, в районе 40 лет, могут быть кавказские корни. Загорелый, с живыми тёмными глазами и лёгкой небритостью — выглядит так, будто только вернулся с маршрута и уже готов на следующий. Ставка 25.000 -20% агентские Смена 12 часов, переработка 2000/час. Оформление по ИП либо СЗ, постоплата в течение 30-45 дней после съемки. Права: РФ, 1 год с даты 1-го эфира (19 августа 2026 г.): ТВ, Интернет, экраны/мониторы кинотеатров, в местах продаж, в том числе в салонах продаж и обслуживания абонентов, медиафасады/ наружная реклама, кинотеатры, ТРЦ, метро wifi, соц.сети, аэропорты, медиафасады, наружная реклама 📩 Отправить заявку на кастинг: Контакты этого кастинга и многих других кастингов вы найдёте в нашем закрытом чате. Хочешь в чат? Переходи по ссылке: https://newcasting.ru/chat и вступай в чат. 📲ВСТУПИТЬ В ЧАТ С КАСТИНГАМИ В ТГ: https://t.me/newcastingofficial #кастинг #кастинги #кастингмосква #модель #модели #актер #актеры

1 июля 15:00

Москва

1 июля 15:07

🎬 Свежие кастинги за последние 20 минут — 10 шт. ⭐ В этом посте — только 1–3 топовых. Весь список в нашем телеграмм боте: ✅ Хочешь получать подходящие кастинги первым (возраст/рост/пол) и без повторов? 🎁 Тестируй бесплатно → https://t.me/Castingi_Agent_bot ────────────── 1. **ДАША СВИРИДЕНКО** Стартовал кастинг в один очень масштабный и всеми любимый проект. Название пока под грифом «секретно» :) И сразу маленькая просьба: пожалуйста, не пишите мне в личные сообщения. Все заявки собираем только под этим постом. Ищу мальчика 9-12 лет (игровой возраст). Важно: умные глаза; живой, обаятельный; умеет думать в кадре; искренне улыбается; активный, с хорошей внутренней энергией. Если у вас есть такой парень или вы знаете кого-то подходящего — очень прошу, напомните мне о своих пацанах! Под этим постом оставьте, пожалуйста: • 3 фотографии (одна обязательно в полны… 🔗 https://t.me/ru_cast/73542 ✨ ────────────── ✨ 2. ‼️ Внимание, Москва! ‼️ Для съёмки Youtube-шоу о бизнесе, деньгах и финансах 📍 Даты обсуждаются индивидуально 🎬 Требуется: 🔹 Мужчина 25–50 лет Роль: Ведущий подкаста / дебатов Гонорар: 7000 рублей 💰 ✨ Требования: — Харизматичность и уверенность перед камерой — Грамотная и поставленная речь — Умение поддерживать дискуссию — Способность задавать неудобные и провокационные вопросы — Хорошая импровизация — Интерес к теме бизнеса, финансов и предпринимательства — Умение удерживать внимание зрителя — Опыт ведения блогов, интервью, подкастов или мероприятий будет преимуществом 🎤 Что нужно будет… 🔗 https://t.me/kinocekh/202330 ✨ ────────────── ✨ 3. 🎬 «ОКНО 6» Комедия, 8 серий по 15 мин. ВК видео, ИРИ. ПАЛЫЧ (45-50) - бывший начальник МФЦ в провинции. Простой мужик) Смены: 3-4 Ставка: 30 Съемки в Москве с середины июля. Присылайте видео визитки , ссылку на профресурс, контакты, на почту: ocasting@yandex.ru 🔗 https://t.me/c/2401382093/156 ✅ В боте ты видишь своё первым: • без дублей и мусора • лучшие кастинги уходят за 10–30 минут ⚡️ t.me/Castingi_Agent_bot

1 июля 15:08

Москва

1 июля 12:09

1 июля 13:00

Москва

1 июля 13:47

Москва

Это история про пет-проект, который я делал ради трёх вещей одновременно: прогноз приземной температуры на неделю вперёд из данных одной метеостанции, честные интервалы неопределённости вместо голой точки, и работа на железе уровня Raspberry Pi без всякого GPU. По дороге я несколько раз ошибся, один раз откатил целый эксперимент, и в итоге понял про свою же модель больше, чем когда её проектировал.В прошлых статьях я допустил множество ошибок, которые выявил при более глубоком исследовании возможностей модели. Их оказалось слишком много, я сам в них утонул, поэтому решил начать все с чистого листа, но с некоторыми пометками. Здесь не будут упоминаться прошлые версии, представим как будто их и не было.Код лежит в репозитории (ссылка в конце). Данные не выкладываю, брал часовые ряды из Open-Meteo, их можно тянуть самому; в репозитории есть синтетический генератор, чтобы прогнать весь конвейер за пару минут.Что меня не устраивалоСтандартный подход к задаче — это взять какой-нибудь GRU или трансформер, скормить в них окна истории с таргетами, и пусть учится. Я так и начал. На коротком горизонте (первые часы) работает прилично. Но дальше появляются три проблемы, которые ну вообще не годятся:- Во-первых модель не умеет говорить «я не знаю». Она выдает точку, что на первом что на 168-м часу с одинаковой уверенностью. А неопределенность прогноза все же отличается на час и на неделю в разы (физическая особенность предметной области). Мне нужен был не «завтра в 15:00 будет 7°C», а «будет от 5 до 10, скорее всего около 7».- Во-вторых на дальнем горизонте все разваливается. К 5-7 суткам свободная модель либо плоско залипает, либо улетает в свои фантазии, причем иногда намного хуже, чем обычная климатология для определенного дня и часа. Для прогнозной модели это позор, зачем она тогда вообще нужна, если не обыгрывает самый примитивный бейзлайн.- В-третьих не работает на копеечном устройстве. В целом работает, но зачем лишняя нагрузка и долгое время прогноза. Лишний износ устройства, которое и так находится в диких условиях.Из этих проблем выросла новая архитектура.Идея: прогноз = климат + затухающее отклонениеИдея простая. Не даем модели предсказывать температуру напрямую, а заставляем раскладывать прогноз вот так:T̂(t+h) = C(p, t+h) + σ(p, t+h) · ( o(h) + r(h) )C(…) — климатическая норма для этой точки в этот час года. σ(…) — типичный масштаб отклонений там же. А o(h) — само отклонение от нормы, и вот оно собирается из истории через банк затухающих мод: набор экспоненциально затухающих осцилляторов с разными постоянными времени от нескольких часов до недель. Грубо говоря, «текущая аномалия температуры затухает к нулю с такой-то скоростью, и вот как она будет затухать ближайшие 168 часов». r(h) — небольшая нелинейная поправка сверху.Это даёт «бесплатно», без обучения: чем дальше горизонт или чем меньше данных, тем сильнее o(h) подавляется математически. Нет истории — o(h) ≡ 0, и прогноз становится чистой климатологией. Далёкий горизонт — моды затухли, снова климатология. Это та самая гарантия «не хуже нормы», которой мне не хватало, оказывается зашита в саму форму, а не выучена и не обещана на честном слове.Обучал в 2 этапа. Сначала только на нулевой истории (L=0), чтобы стабилизировать климат-поле, а потом на полном куррикулуме длин истории. Обучение происходит не на чистых данных, а на специально «испорченных» данных, дабы научить модель работать в реальных условиях и избежать переобучения. Сравнивал с климатологией, damped persistence (затухающая инерция), сезонным naive и двумя обучаемыми бейзлайнами: GRU seq2seq и DLinear. Климатология тут не слабый бейзлайн для галочки, а честный ориентир – на дальних горизонтах ее сложно побить, и это нормально (климатология исходит из знания всей истории температуры за несколько лет, а модель только по 672 часам и то не всегда).Отладка, часть первая: поле, которое зубрило станцииПервый звоночек появился при простой проверке. Я решил измерить качество чистого поля вообще без истории, только по координатам. Отдельно на станциях, которые модель видела, отдельно которые не видела. Метрика – отношение MSE поля к MSE эмпирической климатологии (<1 – поле лучше нормы, больше – хуже).на обученных станциях: = 0.98 (поле почти идеально)на новых станциях: =3.0 (поле в 3 раза хуже нормы)Такой симптом говорит не о нехватке данных, а о переобучении. Модель просто заучила климат каждой точки и перестала обобщать на новые станции.Первая моя гипотеза оказалась неверной. Я подумал: координатный энкодер имеет слишком широкую полосу частот, поэтому поле лепит острые «бугорки» под каждую станцию. Сузил полосу частот в несколько раз – эффект нулевой. Тогда я пошел системно. Заглушал компоненты под одному и искал «виновника», кто на самом деле тащит заучивание. Оказалось, что маленький линейный «прайор» в модуле паспорта станции при нулевой истории должен был отдавать что-то нейтральное. А по факту это был Linear(координаты → латент z), он тихо выучил климат каждой станции напрямую через координаты в обход всей честной физики разложения.Проверил гипотезу: посчитал разброс латента z по станциям при нулевой истории. Если прайор нейтральный — разброс должен быть около нуля. Он был большим. Шорткат подтверждён: модель нашла способ минимизировать лосс не через хорошее обобщающееся поле, а через заучивание координат латентом. Градиентный спуск всегда идёт по пути наименьшего сопротивления, и я сам ему этот путь оставил.Починка вышла дешёвой — сделал прайор глобальным. Вместо Linear(координаты → z) — один обучаемый вектор на всех:# было: прайор зависит от координат (и заучивает их) # self.prior = nn.Linear(LocEncoder.OUT, 2 * DZ) # стало: один глобальный прайор, одинаковый для всех станций self.prior_m = nn.Parameter(torch.zeros(DZ)) self.prior_s = nn.Parameter(torch.zeros(DZ))Теперь при нулевой истории все станции получают одинаковый латент, независимо от координат. Заучивать координатами стало физически нечем — модель была вынуждена учить настоящее, грубое, обобщающееся поле. Разброс z упал почти до нуля, как и должно.Отладка, часть вторая: как понять, что "плохо на новых станциях" - это уже предел, а не багГлобальный прайор помог, но не до конца: разрыв между обученными и новыми станциями сократился, но остался. Я зажал степени свободы поля — усилил регуляризацию, урезал число частот и ёмкость сети. И вот тут произошло то, чего я на самом деле добивался, хотя выглядело оно контринтуитивно:обученные станцииновые станциидо зажатия0.985.25 после зажатия1.303.99Качество на обученных станциях ухудшилось (с 0.98 до 1.30), и это правильно. Раньше 0.98 означало «поле зубрит»; теперь 1.30 — это честная работа поля, которое не запоминает, а обобщает. А на новых станциях стало лучше (5.25 → 3.99). Train растёт, unseen падает — они сходятся навстречу друг другу. Именно это и есть признак, что заучивание уходит.Но разрыв всё ещё был, и я чуть не начал давить дальше. Остановила меня одна проверка, которую стоило сделать в самом начале: насколько новые станции вообще пространственно близки к обученным.расстояние от новой станции до ближайшей обученной: медиана 643 км, 90-й перцентиль 741 км, максимум 801 км.Это интерполяция, а не экстраполяция. Каждая новая станция окружена обученными на расстоянии ~640 км. А полоса частот моего поля к тому моменту была уже грубее, чем это расстояние. То есть поле физически не может разрешить, чем климат отличается между двумя точками в 640 км друг от друга — оно этот масштаб сглаживает.И здесь фундаментальная дилемма, из-за которой давить дальше было бессмысленно: на масштабе расстояния между станциями «разрешить» и «запомнить» — это одно и то же. Сделаю поле тоньше 640 км — оно снова начнёт учить каждую станцию индивидуально (заучивание вернётся). Оставлю грубее — будет промахиваться по локальной структуре. Остаточная ошибка на новых точках на масштабе мельче 640 км несводима из одних координат. Это не баг модели — это предел того, что вообще можно узнать о климате точки, зная только её координаты, при такой плотности сети станций.Этот вывод заставил меня переформулировать цель. Я гонялся за точным средним на новой станции без истории — а этого не бывает. Городской остров тепла, рельеф, локальные бризы дают сдвиг в несколько градусов, которого в координатах просто нет. И архитектура это на самом деле знает: она не обещает точное среднее на новой точке, она обещает честную неопределённость (широкий интервал там, где не уверена) и быстрое восстановление по истории. Тот самый паспорт станции для того и нужен — добрать локальный сдвиг из первых же суток данных, а не угадать его из координат.Отладка, часть третья: эксперимент, который не сработалКогда модель уже работала, я сделал диагностику вклада каждого компонента и заметил странное: нелинейная поправка r(h) (та самая «небольшая добавка сверху») несла на дальнем горизонте подозрительно много. Без неё прогноз на 168 часов проваливался с −1.6% до −31% относительно климатологии.Я решил, что r работает костылём: якобы моды на дальнем горизонте не затухают как надо, оставляют смещение, а r его латает. По замыслу r должна быть маленькой и таять с горизонтом. И я добавил в лосс регуляризацию, которая давит r (и заодно остаточную энергию мод) тем сильнее, чем дальше горизонт.Переобучил. Стало хуже:Skill@168чбыло (baseline)−1.6% (в пределах нормы, критерий пройден) после «фикса»−16.0% (модель теперь заметно хуже климатологии)на новых станциях−99% (полный обвал дальнего горизонта)Правка сделала ровно противоположное задуманному. Я подрезал r, но не убрал причину — и модель, лишившись компенсации, поехала ещё сильнее. Я откатил изменение и вернулся к предыдущему чекпойнту. Диагностика, которую я использовал (выключение компонента у обученной модели), показывает, что компонент несёт сейчас, но не кто должен это нести. Я увидел большой вклад r на дальнем горизонте и решил, что это костыль. На самом деле r несла легитимную поправку к грубому полю, которую ни моды, ни голое поле дать не могут. Я принял фичу за баг и попытался её вырезать. По нормальному нужно было попробовать вырезать r и переобучить модель вовсе без него. Что получилосьФинальная картина на тесте (Skill — снижение MSE относительно климатологии; выше лучше; климатология по определению 0):лид МАЯК GRU DLinear ...

1 июля 13:50

1 июля 16:28

Подписывайся, чтобы получать информацию обо всех новых клиентах в режиме реального времени!

Попробовать бесплатно