ML-инженер, GigaChat
Оценка ИИИсключительная вакансия в топовой ML-команде страны с очень высокой зарплатой, работой над флагманским продуктом (GigaChat) и возможностью публикаций на конференциях уровня A*.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубоких знаний в области LLM, RLHF и эмбеддингов, а также опытом работы с распределенным обучением и оптимизацией инференса для миллиардов документов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая вилка 400-700к+ гросс значительно превышает средние рыночные показатели для Senior ML-инженеров в России, которые обычно составляют 350-500к рублей. Верхняя граница соответствует уровню Lead/Staff или уникальным экспертам в области Generative AI.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*ML-инженер, GigaChat*, *400-700+* *руб/мес гросс*
Мы развиваем GigaChat и ищем сильного ML-инженера. В команде есть три направления: decision models, эмбеддинги и поиск, AI Safety. Во всех направлениях планируем мультимодальность. Вы будете вести свои задачи от подготовки данных до обучения, оценки и внедрения вместе с командой: писать код, проверять гипотезы и проводить воспроизводимые эксперименты.
Обязанности
- Decision models
• Обучать модели принятия решений для классификации, выбора и оценки; проверять калибровку вероятностей, качество и скорость инференса.
• Разрабатывать обучающие данные и методы оценки, исследовать мультимодальные решения и внедрять модели в продукты.
- Эмбеддинги и поиск
• Развивать Giga-Embeddings: данные и синтетика, contrastive learning, hard negatives, дистилляция в компактные модели. Разработать решения для поисковых пайплайнов, где требуется индексировать миллиарды документов.
• Проверять качество на MTEB / ruMTEB и продуктовых задачах поиска и ранжирования; развивать мультимодальность и внедрять модели в продукты. Наша Giga-Embeddings-instruct — №1 по скачиваниям среди открытых моделей Сбера на Hugging Face, №1 на русскоязычном бенчмарке ruMTEB и сопоставима по качеству с зарубежными аналогами. Также мы пишем и публикуем статьи на топовых мировых конференциях уровня A\*.
- Safety
• Дообучать LLM на безопасность через online RL: готовить данные и reward-сигналы, обучать guard-модели и оценивать устойчивость защит.
• Проводить red teaming, создавать тесты по cyber-, био- и ядерным рискам, проверять jailbreak и prompt injection; учитывать новые атаки в обучении.
• Контролировать пропущенные нарушения, ложные срабатывания и избыточные отказы; развивать безопасность мультимодальных моделей.
Требования
• Уверенные Python и PyTorch, практический опыт обучения нейросетей от 2-3 лет
• Понимание архитектур, функций потерь и оптимизации; умение готовить данные, выбирать метрики и анализировать результаты.
• Умение читать статьи и реализовывать методы в коде. Опыт post-training или готовность освоить его на практике.
Будет плюсом
• Обучение эмбеддеров и мультимодальных моделей, distributed training и оптимизация инференса.
• Online RL, RLHF / RLVR, DPO, reward- и guard-модели, red teaming; публикации или open-source вклад.
Вакансия: Откликнуться
Вилка: 400-700+ гросс
Контакт: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- Machine Learning
- Deep Learning
- Natural Language Processing
- LLM
- Reinforcement Learning
- Distributed Training
- Contrastive Learning
Возможные вопросы на собеседовании
Проверка понимания специфики обучения векторных представлений.
Как вы подходите к выбору hard negatives при обучении эмбеддингов методом contrastive learning?
Оценка навыков работы с безопасностью LLM.
Какие методы защиты от jailbreak-атак вы считаете наиболее эффективными при дообучении моделей через RLHF?
Проверка практического опыта оптимизации.
С какими сложностями вы сталкивались при реализации distributed training для крупных моделей и как их решали?
Оценка умения работать с метриками.
Как сбалансировать метрики качества поиска и скорость инференса в пайплайнах с миллиардами документов?
Проверка теоретической базы.
В чем разница между подходами DPO и традиционным RLHF с использованием reward-модели в контексте post-training?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
