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.

* Работать в сильной команде

* 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

* Сильные и сложные задачи на переднем крае развития русскоязычных LLM.

* Прямое влияние на качество модели: результаты твоей работы видны в бенчмарках и в продукте.

* Команду сильных инженеров и исследователей, у которых есть чему поучиться.

* Возможность совмещать инженерную и исследовательскую работу.

* Конкурентную компенсацию, премии и расширенный соцпакет.