Ищем Middle AI Engineer для создания нативных омнимодальных архитектур — новых способов кодирования и совместного обучения в доменах изображений, аудио, видео и т.д.

Обязанности

* разработка принципиально новых мультимодальных представлений и кодирования информации (vision, audio, video, text)

* создание универсальных энкодеров и shared latent spaces

* Vision-Language-Action (VLA) архитектуры и стрим взаимодействия с роботами

* исследование end-to-end омнимодальных моделей и обучение на масштабных мультимодальных датасетах.

Требования

* отличный Python 3, опыт с PyTorch, bash, git, Docker, dvc

* глубокое понимание representation learning и multimodal learning

* опыт с vision, audio и video моделями

* понимание трансформеров, contrastive learning, joint embeddings

* умение быстро разбирать и воспроизводить идеи из научных статей.

**Будет плюсом**

* опыт с VLA / Embodied AI / Robotics

* знание self-supervised и multimodal pretraining подходов

* опыт работы с streaming video/audio

* публикации, open-source вклад или исследовательский опыт.

Условия

* комфортный современный офис рядом с м. Кутузовская

* гибрид (Москва, СПБ)

* годовая премия

* корпоративный спортзал и зоны отдыха

* расширенный ДМС + страхование для семьи

* ипотека для сотрудников выгоднее (-1/3 от текущей процентной ставки)

* бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

* вознаграждение за рекомендацию друзей в команду Сбера