Senior DL/LLM engineer (Multimodal: Video + Audio) в GigaChat

300 000 – 700 000 ₽

≈ 3,5 тыс.–8,1 тыс. $

🏢 ОфисSeniorПолная занятость

300 000 – 700 000 ₽≈ 3,5 тыс.–8,1 тыс. $

Платят на 12% выше медианы грейда, навык востребован (Python).

Нажмите на сигнал, чтобы увидеть, на чём он основан

Описание вакансии

Мы — core-команда, которая отвечает за ML для понимания аудио во всем Сбере.

За последний год мы выложили в open-source SOTA-модель для распознавания речи на русском языке — GigaAM, а прошлой весной первыми в России запустили нативное понимание звука в LLM — GigaChat Audio.

Сейчас мы активно улучшаем мультимодальные возможности GigaChat: работаем над качеством на сложных аудио- и визуальных контекстах и учим модель понимать видео не только по звуковому потоку, но и по кадрам.

Цель — совместное обучение на vision+audio и video+audio диалогах длительностью 90+ минут.

Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

Обязанности

Проводить эксперименты по обучению Vision / Audio / Video LLM: данные, стадии обучения, способы смешивания модальностей.

Оптимизировать ML-инфраструктуру для обучения на длинных мультимодальных контекстах.

Формулировать и проверять гипотезы о том, как улучшать качество LLM на видео.

Требования

Сильный опыт в DL-инженерии, желательно в обучении LLM-моделей.

Глубокое знание PyTorch, включая DDP / FSDP.

Понимание distributed training и efficient deep learning: DP / TP / PP / EP / SP, mixed precision, checkpointing, offloading, профилирование и оптимизация обучения.

Понимание архитектуры LLM: Transformer, attention (MHA / GQA / MLA), RoPE и другие позиционные эмбеддинги, long context, MoE.

Уверенный Python на уровне production-кода: asyncio, multiprocessing, профилирование, отладка больших систем.

Будет плюсом

Опыт обучения мультимодальных LLM.

Опыт снижения стоимости контекста при обработке видео.

Опыт расширения контекста LLM.

Понимание RL-подходов для обучения моделей: RLHF / RLVR, PPO / GRPO / DPO.

Опыт построения бенчмарков с использованием LLM-as-a-judge.

Условия

Крупнейшее DS&AI community — более 600 DS-специалистов банка.

Дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира.

Возможность быть соавтором НИРов и статей для международных конференций.