Руководитель направления Online RL (STEM) / Post-Training LLM в команду GigaChat

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.

• 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.

• 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.

• 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.