Руководитель направления Online RL (STEM) / Post-Training LLM в команду GigaChat
Описание
Мы развиваем GigaChat и ищем сильного ML-инженера в команду online RL. Это роль для человека, который умеет доводить исследовательские идеи до работающих решений: проектировать и запускать эксперименты, строить надёжные пайплайны обучения и добиваться реального роста качества модели. Нам нужен не просто исполнитель задач, а инженер с сильным исследовательским мышлением, который способен самостоятельно разбираться в сложных проблемах, предлагать новые идеи и решения и нести ответственность за результат.Обязанности разрабатывать и улучшать методы online RL реализовывать и дорабатывать подходы post-training и online RL проектировать и проводить эксперименты: формулировать гипотезы, подбирать конфигурации, анализировать результаты не только на уровне метрик, но и на уровне причин разбираться, почему модель стала лучше или хуже, насколько устойчив результат и можно ли его масштабировать на другие домены и типы задач следить за state-of-the-art: читать статьи, воспроизводить результаты, адаптировать лучшие подходы под наши задачи и инфраструктуру строить и развивать инфраструктуру обучения разрабатывать и поддерживать пайплайны online RL: от генерации rollout'ов и сбора reward-сигналов до обновления весов модели обеспечивать воспроизводимость экспериментов: версионирование данных, конфигов, чекпоинтов, контроль деградаций оптимизировать throughput и эффективность использования GPU: distributed training, параллелизм, профилирование узких мест выстраивать связку между моделью, средами исполнения, верификаторами и reward-моделями так, чтобы новые идеи можно было быстро проверять работать с данными и системой оценки качества участвовать в проектировании и реализации reward-сигналов: rule-based верификаторы, reward-модели, LLM-as-a-judge, execution-based проверки строить и улучшать пайплайны подготовки данных: фильтрация, дедупликация, балансировка, контроль утечек анализировать ошибки модели, выявлять систематические слабые места и формировать целевые обучающие выборки для их устранения тесно взаимодействовать с исследователями, другими инженерами, командами данных и инфраструктуры брать на себя ответственность за целые куски системы: от идеи до результата в проде делиться знаниями, участвовать в код-ревью, помогать поднимать общую планку качества. Требования отличное владение Python и PyTorch практический опыт в LLM post-training: RLHF, online RL, DPO или смежных направлениях опыт проведения ML-экспериментов от начала до конца: постановка гипотезы → реализация → анализ → выводы понимание distributed training: Data Parallel, FSDP, DeepSpeed или аналоги. Умение писать чистый, надёжный, production-ready код способность разбираться в сложных системах и самостоятельно находить и устранять узкие места. Будет плюсом: опыт работы с reward-моделями, process reward models, LLM-as-a-judge опыт построения сред исполнения, sandboxes и верификаторов для code- или STEM-задач опыт работы с large-scale inference и оптимизацией генерации (vLLM, Sglang и т.д.) понимание современных open-source стеков для обучения LLM (Verl, Megatron, TRL и др.) публикации, open-source вклад или сильный прикладной track record. Условия возможность выбрать удобный формат работы: гибрид или офис ежегодный пересмотр зарплаты, годовая премия корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа ипотека выгоднее до 7% для каждого сотрудника бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров вознаграждение за рекомендацию друзей в команду Сбера.