Lead MLE (RL Efficiency)

TL;DR

Lead MLE (RL Efficiency): Разработка и оптимизация инфраструктуры обучения RL-контура для GigaChat с акцентом на производительность, масштабируемость и снижение стоимости экспериментов. Фокус на построении эффективных пайплайнов online RL, оптимизации взаимодействия с инференс-движками и руководстве командой инженеров для достижения высокой утилизации кластера.

Локация: Удалённо (только РФ)

Зарплата: 650 000 — 850 000 ₽/мес

Что делать

• Определять стратегию развития направления RL Efficiency и измерять прогресс оптимизации.
• Оптимизировать пайплайн online RL, включая генерацию rollout'ов и сбор reward-сигналов.
• Выстраивать эффективное взаимодействие между обучающим контуром и инференс-движками (vLLM, SGLang).
• Развивать инфраструктуру обучения для RLHF, RLVR, PPO, GRPO и DPO на масштабе.
• Писать критически важный код и профилировать обучение на всех уровнях стека.
• Руководить командой инженеров, задавая стандарты качества и технической надежности.

Требования

• Отличное владение Python и PyTorch (DDP/FSDP).
• Практический опыт обучения LLM и понимание RL post-training (RLHF, RLVR, PPO, GRPO, DPO).
• Опыт оптимизации обучения и инференса LLM (профилирование, параллелизм, mixed precision).
• Понимание архитектуры Transformer и механизмов attention.
• Опыт руководства технической командой и готовность лично писать код.
• Локация: проживание на территории РФ.

Хорошо, если есть

• Опыт работы с современными RL-стэками (verl, TRL).
• Опыт работы с large-scale inference (vLLM, SGLang, TRT-LLM).
• Навыки написания CUDA / Triton ядер.
• Понимание коммуникационного стека (NCCL, NVSHMEM, RDMA/IB).
• Опыт работы с кластерными системами (Slurm, Kubernetes, Ray).

Культура и преимущества

• Работа над передовыми русскоязычными LLM.
• Высокая степень влияния на архитектуру и методы обучения.
• Команда сильных инженеров и исследователей.
• Возможность совмещать управление с глубокой технической работой.
• Конкурентная компенсация, премии и расширенный соцпакет.