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.

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.