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

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.