Все категории

Модели

вы модель/фотомодель? вас ищут в этом разделе!

4 137 объявлений найдено за последние 3 дня

Здесь показаны примеры поиска клиентов недельной давности.

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

25 сентября 12:09

25 сентября 12:10

25 сентября 12:10

🎬 Свежие кастинги за последние 20 минут — 5 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. 29 сентября 🔥 «Куликовская битва» ЛОКАЦИЯ МОСКИНО ❗️ Для съёмки нужны актеры массовых сцен, МУЖЧИНЫ по сюжету : «ДРУЖИННИКИ» - мужчины, игровой возраст 20-45 ; фактурные (преимущество тем , у кого свои бороды); крепкие. Рост до 185 Размер одежды 48-54 Обувь до 44 Будет костюм (доспехи, кольчуга) реквизит- мечи/щиты Грим - будет . ГОНОРАР 5000 р❗️ Вся подробная информация по смене — в личные сообщения утверждённым. Заявки в Telegram: @ytsapal В заявке указать: Имя и фамилию, возраст, рост, размер одежды и обуви, актуальные фотографии (как выглядите сейчас); номер телефона; ❗️Об… 🔗 https://t.me/kinocekh/216486 ✨ ────────────── ✨ 2. Москва ❗️Кастинг - Продолжается❗️ Для пилотной серии в сериал. Ищем главных героев: (описание персонажа) 1. Марк (17 лет) - Ответственный, но невротичный. одевается делово - рубашки, костюмы, тройки, пальто. Жестами часто пародирует отца, что иногда выглядит нелепо. Он уже один из директоров компании своего отца. Выполняет важные не по годам функции, но при этом по юношески импульсивен. Хочет быть замеченным родителями, которых постоянно нет рядом. У него не было детства как такого. Растет циничным и холодным, но при этом крайне вежливым, по большей части. Аналитическое мышление на высот… 🔗 https://t.me/Children_RuKino24/13545 ✨ ────────────── ✨ 3. **ИРИНА ЦИЦКУН** ❗️КАСТИНГ❗️ Сериал «Великолепная Пятерка» 8 📍88 серия 📍 Лилия – (20 лет) – модная, красивая, наивная Съёмки- 28,29 сентября Гонорар – 10 тыс/смена Сьемки в СПБ! Дорогу из других городов и проживание не оплачивают ❗️Если вы ранее снимались в этом сериале в 6,7 или 8 сезоне, то повторно сниматься нельзя❗️ ЗАЯВКА в КОММЕНТАРИИ: 1 Возраст, рост, размер одежды 2. ИМЯ ФАМИЛИЯ 3. ГОРОД ПРОЖИВАНИЯ 4. 2-3 фото не ЧБ, портрет и в полный рост 5. ВИЗИТКА актерская ссылкой на Яндекс диск 6. Контакты В ответ на заявку пришлю сцену для проб, каждому лично. Заявки составленные… 🔗 https://t.me/ru_cast/75598 ✅ В боте ты видишь своё первым: • без дублей и мусора • лучшие кастинги уходят за 10–30 минут ⚡️ t.me/Castingi_Agent_bot

24 сентября 12:35

Москва

24 сентября 16:39

25 сентября 02:23

25 сентября 03:59

Когда речь заходит о ЛЛМ и классификации, первая мысль — попросить модель сгенерировать класс через промптирование модели с описанием правил и добавлением примеров. Для небольшого количества классов это работает. Но для 100+ классов (или даже 20-30) — уже нет: контекст раздувается, модель галлюцинирует, а инференс может занимать десятки секунд. Мы решили использовать ЛЛМ иначе: не как генератор текста, а как энкодер, прикрутив сверху обычную классификационную голову.В статье расскажу про нашу мотивацию использовать ЛЛМ как энкодер и покажу результаты на четырёх разных доменах банка, в рамках которых сравню генеративные модели с классическими энкодерамиЗачем мы вообще полезли в ЛЛМ, если есть BERT?В Альфа-Банке мы давно и много решаем задачи классификации текстов. Например: внутреннее устройство чат-бота;классификация чатов и звонков КЦ;модерация отзывов в Альфа-Инвестиции.Во всех этих решениях рабочим бэкбоном были и остаются BERT-подобные архитектуры: быстрые, дешёвые при обучении и не требующие GPU в проде. И BERT’ы нас всё еще устраивают. Однако захотелось посмотреть в сторону чего-то нового.Если посмотреть на релизы последних двух лет, то можно заметить, что экосистема BERT-моделей частично стагнирует, особенно в русскоязычном сегменте. Последние значимые релизы русскоязычных энкодеров — это RuModernBERT и USER-bge-m3 от VK, FRIDA от Сбера и ее дистиллят BERTA. Причем FRIDA и USER-bge-m3 скорее заточены под решение ретрив задач. В то же время экосистема ЛЛМ развивается взрывными темпами: каждые несколько месяцев выходят новые open-souce модели — семейство Qwen (3.5, 3.6, 3.8), семейство Gemma4 и даже неожиданный апдейт моделей Llama в лице Muse-Glimmer — все с растущим контекстным окном, архитектурными обновлениями и улучшенным претрейном.При этом ЛЛМ во время претрейна и последующих фаз элаймента впитывают колоссальный объём данных — на порядки больше, чем любой BERT. А значит логично предположить, что их внутренние представления потенциально богаче и лучше переносятся на задачи, где нужно понимать текст, а не просто выучивать паттерны в данных. Отсюда возникает вопрос: можно ли как-то использовать этот потенциал для классификации?Самая очевидная мысль — просто запромптить ЛЛМ. Что может быть проще: даём модели текст, описание классов с парой few-shots и просим определить класс. И для бинарной задачи или небольшого количества категорий это действительно сработает. Но попробуйте проделать то же самое в задаче классификации на 300+ классов.Получаем:Раздутый контекст. Промпт с описаниями 300+ классов занимает десятки тысяч токенов. TTFT уже будет занимать N секунд.Галлюцинации. Модель начинает «придумывать» несуществующие классы, забывать имеющиеся или путать похожие, особенно когда описания пересекаются.Долгий инференс. Авторегрессионная генерация на каждый запрос — это секунды, а то и десятки. При высоком потоке запросов, например, как в чат-боте это критично.Обязательное GPU в проде. Инференс генеративной модели на CPU считай невозможен.Т.е. промптинг на большом количестве классов просто не масштабируется. Но это не значит, что ЛЛМ бесполезна для классификации. Это значит, что использовать её нужно иначе — не как генератор текста, а как источник получения вектора текста (энкодер), который мы хотим классифицировать.Поэтому мы пришли к следующей гипотезе: а что, если перестать просить ЛЛМ генерировать текст ответа и вместо этого взять её скрытое состояние с последнего слоя, прикрутив сверху обычную классификационную голову? Так мы получим и богатые репрезентации ЛЛМ, уйдем от раздувания контекста, и, как бонус, вероятности на выходе, относительно которых можно легко калибровать модель.Скрытые состояния ЛЛМ как фичи: что про это уже известно?Идея использовать ЛЛМ не по прямому назначению, а как энкодер — не оригинальная. За последние пару лет вышло немало статей и адапитрованных моделей вокруг этого направления.Одна из самых ранних статей, которую смог найти — LLM2Vec (BehnamGhader et al., 2024, arXiv:2404.05961). Авторы показывают, что декодерные ЛЛМ можно превратить в сильные текстовые энкодеры без полного переобучения архитектуры. Рецепт состоит из трёх шагов:Включаем двунаправленное внимание, позволяя токенам смотреть в обе стороны. В декодерных моделях каждый токен видит только предыдущие — это критично для генерации, но мешает при пулинге на уровне всех токенов.Чтобы модель перестроилась под новое внимание, её дообучают на маскированном предсказании токенов — по аналогии с оригинальным BERT, но поверх уже обученной ЛЛМ.Контрастивное обучение. Финальный шаг — учим модель сближать эмбеддинги семантически близких текстов и отдалять далёкие, используя InfoNCE loss на парах (запрос, релевантный документ).После этой трёхшаговой адаптации линейный классификатор поверх скрытых состояний показывает конкурентное качество на задачах классификации и ретрива.Второй источник вдохновения — дообученные эмбеддинг-модели на базе ЛЛМ. Если сначала такие работы как E5-Mistral (Jiang et al., 2023, arXiv:2312.15166) и GritLM (Muennighoff et al., 2024, arXiv:2402.09906) только показывали саму возможность, то к 2026 году сформировался полноценный класс моделей, которые готовы «из коробки» давать качественные эмбеддинги без ручной адаптации. Процесс их обучения обычно выглядит так:База — предобученная генеративная ЛЛМ (например, Mistral, Qwen или любая другая), у которой мы также включаем двунаправленное внимание.Синтетические данные для дообучения — пары (запрос, релевантный ответ) часто генерируются самими ЛЛМ, что позволяет покрыть огромное количество доменов, языков и стилей без ручной разметки.Контрастивное обучение на парах с хард негативами в дополнения к позитивам (по аналогии с обучением модели E5). Часто при этом во время обучения к запросу добавляют специальный префикс Instruct:, чтобы модель лучше понимала, какую именно задачу она решает.Пулинг последнего токена или усреднение всех токенов для извлечения финального вектора текста.В русскоязычном сегменте наиболее интересные представители этого класса — Qwen3-Embedding и Giga-Embedding. Причем Giga-Embedding получил апдейт буквально на днях.Изучив вышеупомянутые статьи и модели, мы пришли к выводу, что ничего нам не мешает адаптировать ЛЛМ уже под задачу классификации, обучив голову под конкретную задачу. При этом можно дообучать как сам бэкбон целиком, так и LoRA-адаптер вместе с головой.Смена головы у ЛЛМСледующий вопрос, на который мы хотели ответить: в каких условиях ЛЛМ-классификатор реально обходит BERT, а когда лучше оставить классику? Ответ мы попробовали дать, обучив различные ЛЛМ на внутренних доменах Альфы.Четыре домена, четыре разных сценарияЧтобы не делать выводов по одной задаче, мы отобрали четыре домена, которые покрывают принципиально разные сценарии использования классификатора: от коротких сообщений на 20 токенов до длинных транскриптов звонков на 3000+ токенов, от бинарной классификации до мультикласса на 300+ классов.QMS — система контроля качества работы операторов в различных бизнес-линиях банка. После каждого звонка модель проверяет, соблюдает ли оператор установленные критерии: представился ли, аргументировал ли возражение клиента, предложил ли подходящее решение, озвучил ли выгоду. В эксперименте используем два сегмента: телемаркетинг (исходящие звонки ФЛ и ЮЛ) и коллекшн (исходящие звонки ФЛ по взысканию задолженности).Чат-бот 1-й линии — классификация интентов в классическом чат-боте поддержки. Когда клиент пишет сообщение, модель определяет, к какому из 300 интентов относится запрос (перевыпуск карты, уточнение баланса, подключение услуги, жалоба и т.д.), чтобы маршрутизировать диалог на нужный сценарий. Самая крупная задача в эксперименте — более 300 тысяч размеченных сэмплов.Открытые комментарии клиентов — классификация текстовых комментариев из отзывов клиентов (карточки VoC — Voice of Customer) для отслеживания динамики негатива по продуктам и каналам. Модель определяет тематику жалобы (31 мультилейбл-класс) и три бинарных флага: тональность, необходимость обратного звонка клиенту, необходимость направления алерта в случае ошибки в процессах/обслуживании.Сводная таблица:ДоменСегментОбъем разметкиРешаемая задачаДлина текста в токенах p50/p95/p99QMS телемаркетингИсходящие звонки ФЛ/ЮЛ440Мультитаск: 7 бинарных таргетов234/1310/1750QMS коллекшнИсходящие звонки ФЛ1320Мультитаск: 3 бинарных таргета650/2236/3320Чат-бот 1-й линииВходящие сообщения ФЛ303 000Мультикласс: 302 интента25/405/590Открытые комментарииКарточки VoC, ФЛ+ЮЛ12460Мультитаск: 31 мультилейбл + 3 бинарных28/86/150Каждый домен является уникальным: мало данных и длинные транскрипты со сложной семантикой (QMS коллекшн и телемаркетинг), большой размеченный датасет и сотни классов (чат-бот), мультилейбл с короткими комментариями (открытые комментарии). Если подход с классификацией ЛЛМ будет работать везде (получаем уровень классификации на уровне берта или выше) — значит, он действительно полезенСетап обучения: общий рецептОптимизатор и шедьюлер. Во всех экспериментах использовали AdamW с дефолтными параметрами из библиотеки transformers. В качестве шедьюлера — linear_schedule_with_warmup с прогревом на 5% шагов.Адаптивный Layer-wise Learning Rate Decay. К нижним слоям модели применяем маленький learning rate, к верхним — большой, а для классификационной головы — ещё в 10 раз больше. Идея в том, что нижние слои кодируют общую семантику языка, которую мы не хотим сильно разрушать, а верхние слои и голова должны активнее подстраиваться под конкретную задачу.Батч и разбиение. Эффективный батч сайз — 32. Разбиение на трейн и валидацию — стратифицированное, чтобы сохранить баланс классов.Порог. Для задач с бинарным таргетом оставляем фиксированный порог 0.5 — предсказание считается позитивным, если вероятность выше. Убираем шаг с перебором порогов, т.к. проводим эксперименты по обучению ЛЛМ, а не оптимизируем бизнес метрику.Важный дисклеймер. Мы сознательно не ставили целью выжать максимум из каждой модели и перебрать все возможные гиперпараметры. Задача была другой — сделать proof of concept и понять, сам подход работает или нет. Поэтому тюнинг ограничился количеством эпох и learning rate, а остальные параметры взяли «из коробки». Если потратить больше времени на это, то вполне возможно, что можно выбить еще боль...

25 сентября 10:20

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

Попробовать бесплатно