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

Описание

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+.