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

Локация: Москва; работа на месте работодателя или в гибридном формате

Компания

Развитие большой языковой модели GigaChat и связанных с ней ML-решений.

Что делать

• Разрабатывать и улучшать методы online RL и post-training для LLM.
• Проектировать и проводить ML-эксперименты: формулировать гипотезы, подбирать конфигурации, анализировать результаты и проверять их устойчивость.
• Строить и поддерживать пайплайны online RL — от генерации rollout'ов и сбора reward-сигналов до обновления весов модели.
• Развивать инфраструктуру обучения, оптимизировать throughput и использование GPU с применением distributed training и профилирования.
• Проектировать reward-сигналы, верификаторы, reward-модели, LLM-as-a-judge и execution-based проверки.
• Анализировать ошибки моделей, улучшать подготовку данных и взаимодействовать с исследовательскими, дата- и инфраструктурными командами.

Требования

• Более 6 лет опыта.
• Отличное владение Python и PyTorch.
• Практический опыт в LLM post-training, включая RLHF, online RL, DPO или смежные направления.
• Опыт проведения ML-экспериментов от постановки гипотезы до анализа и выводов.
• Понимание distributed training: Data Parallel, FSDP, DeepSpeed или аналогов.
• Умение писать чистый, надёжный production-ready код и самостоятельно находить узкие места в сложных системах.

Культура и преимущества

• Возможность выбрать офисный или гибридный формат работы.
• Ежегодный пересмотр зарплаты и годовая премия.
• Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа.
• Более 400 образовательных программ СберУниверситета.
• Корпоративный спортзал, зоны отдыха, льготная ипотека до 7% и подписка СберПрайм+.