Online RL (General) / Post-Training LLM в GigaChat

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.* 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.* 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.* 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.