GigaChat (GigaChain): Agentic Post-Training и Online RL

Обязанности

**Исследовать поведение модели:**

* разбирать ошибки GigaChat в длительных задачах: потерю цели и контекста, слабое планирование, неверный выбор инструментов, зацикливание, ошибки восстановления и преждевременное завершение работы

* анализировать отдельные шаги и целые траектории, находить систематические паттерны успешного и неуспешного поведения

* понимать источник проблемы и определять, что нужно менять: обучающие данные, objective, reward-сигнал, модель или agentic environment.

**Улучшать модель:**

* разрабатывать и улучшать post-training пайплайны для агентных сценариев

* работать с rollout’ами, reward-сигналами, rule-based и execution-based верификаторами, judge- и reward-моделями

* создавать обучающие выборки из реальных и синтетических агентных траекторий, включая фильтрацию и отбор наиболее полезных примеров

* выбирать подходящий метод обучения и понимать, когда сложный RL-контур оправдан, а когда задачу эффективнее решить более простым способом.

**Оценивать изменения:**

* строить evaluation для многошаговых агентных задач и анализировать качество не только по финальному результату, но и по поведению модели внутри траектории

* проверять, переносится ли улучшение между задачами, бенчмарками и харнесами

* контролировать регрессии и воспроизводимость результатов

* взаимодействовать с командами обучения, инференса, данных, API и агентных харнесов.

Требования

* сильное владение Python и практический опыт работы с PyTorch

* практический опыт LLM post-training: SFT, preference optimization, RLHF, online RL или близкие направления

* умение самостоятельно ставить ML-гипотезы, проектировать эксперименты и делать выводы по их результатам

* опыт построения пайплайнов данных

* навык анализа модели на уровне отдельных примеров и траекторий

* способность доводить исследовательскую идею до работающего и воспроизводимого решения.

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.