- Страна
- Россия
Миддл / Сеньор ML-инженер (LLM/VLM-пайплайны)
Оценка ИИИнтересная позиция в R&D секторе с фокусом на самые актуальные технологии (LLM/VLM). Гибридный формат в Москве и работа над промышленными AI-системами делают вакансию привлекательной для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует глубокой экспертизы в современных LLM/VLM архитектурах и опыта построения сложных пайплайнов, что соответствует уровню Middle+/Senior. Работа в R&D-компании подразумевает высокий уровень самостоятельности и владение актуальными научными методами.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиций Middle+/Senior ML в Москве в сфере LLM рыночные вилки начинаются от 350 000 рублей. Специалисты по VLM сейчас в дефиците, что может давать преимущество при переговорах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Миддл / Сеньор ML-инженер (LLM/VLM-пайплайны)
в Коперник AI — российская R&D-продуктовая компания, которая занимается разработкой, обучением и внедрением интеллектуальных систем (AI) промышленного уровня.
Гибрид (Москва).
Ищет Анна Сеченова, её Откликнуться.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- LLM
- VLM
- Machine Learning
- Python
- Deep Learning
- NLP
- Computer Vision
Возможные вопросы на собеседовании
Вакансия сфокусирована на LLM/VLM пайплайнах, важно понимать опыт кандидата с мультимодальностью.
Расскажите о вашем опыте интеграции визуальных и текстовых данных в рамках одной VLM модели. С какими основными трудностями вы сталкивались?
Для промышленного уровня (industrial-grade) критически важна скорость работы моделей.
Какие методы оптимизации инференса LLM вы использовали в продакшене (квантование, дистилляция, использование специализированных библиотек)?
R&D работа часто требует дообучения моделей под конкретные домены.
Какой подход к дообучению (Fine-tuning) вы выберете для специфической промышленной задачи: LoRA, QLoRA или полное дообучение? Обоснуйте выбор.
Проверка качества генеративных моделей — одна из самых сложных задач в ML.
Как вы выстраиваете систему оценки (evaluation) качества ответов LLM в своих проектах? Какие метрики считаете наиболее репрезентативными?
Работа с большими моделями требует эффективного управления ресурсами.
Опишите ваш опыт работы с распределенным обучением моделей на нескольких GPU. Какие фреймворки вы предпочитаете?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
