ML Team Lead (NLP/LLM)
СБЕР
Москва
🏢 Офис
Senior
Полная занятость
Россия
Описание вакансии
Мы — исследовательская команда, на переднем крае LLM-технологий. Мейнстрим-рецепт LLM для нас — это потолок, который мы пытаемся пробить.
Ищем архитектурные ходы, новые objective-функции, нестандартные режимы reasoning'а — всё, что может дать кратный прирост качества/скорости. Жизненный цикл идеи: от гипотезы → PoC-фреймворк → прод. флагманской LLM. Если коротко: ищем людей, которым интересна прикладная исследовательская работа в среднем и высоком risk-reward профиле.
Направление, под которое ищем лида: омнимодальная память.
•как модель хранит, обновляет и использует знание за пределами контекстного окна — по тексту, аудио, видео
•память как часть архитектуры, а не обвязка вокруг модели: обучаемые механизмы записи и чтения, консолидация, забывание
•длинный контекст и длинные сессии, работа с KV-кэшем
•метрики и бенчмарки под память — чем меряем прогресс, чтобы не обманывать себя
•стыковка с остальными треками команды: reasoning, агенты, инференс
Над чем работаем помимо этого
Альтернативные архитектуры
•encoder-decoder, гибридные attention (linear + softmax), sparse/MoE с нестандартным dispatching, итеративные/loop-трансформеры
Новые training objectives и режимы обучения
•multi-token и future-state prediction, RL-pretraining, дистилляция против ансамблей teacher-моделей
Reasoning
•латентный/омнимодальный reasoning, обучаемые value-сети, MCTS-подобный поиск, self-play, ансамбли гетерогенных моделей
Эффективность и inference
•адаптивные вычисления, MoD/early-exit, serving для нестандартных архитектур
Специализированные направления
•символьные/фонетические задачи, креативная генерация, agentic capabilities
Часть гипотез доедет до PoC/прода, часть умрёт на small-scale. Это ожидаемо.
Обязанности
•Собрать и защитить план направления: какие гипотезы берём, какие не берём, чем меряем успех
•Разбирать существующие LLM-пайплайны до компонент и находить места для апгрейда не на 1%, а в разы
•Вести несколько гипотез параллельно — от абляций до полного pretrain/post-train цикла со scaling laws
•Обучать, валидировать и имплементировать новые архитектуры и objectives — иногда с залезанием в инфраструктуру (kernel'ы, training-фреймворк, serving)
•Упаковывать результаты в PoC, инференс-движок, пилоты
•Растить команду под трек: нанимать, ставить задачи, ревьюить код и эксперименты
•Публиковаться на A/A*-конференциях — опционально, но поощряем
Требования
•Глубокое понимание современного трансформера и всех этапов LLM-пайплайна
•Качественный воспроизводимый ML-код, опыт обучения в multi-GPU (лучше multi-node) режиме
•Практический опыт на каком-то из этапов LLM-строения — индустрия или серьёзный pet-project, формат не принципиален
•Хорошая насмотренность по литературе, способность читать paper'ы критически — отличать зёрна от плевел
•Умение быстро валидировать смелые гипотезы
Будет плюсом
•опыт в классическом ML/NLP до эпохи больших моделей
•публикации уровня A/A* и опыт прохождения review-цикла
•large-scale training (multi-node, FSDP/DeepSpeed/Megatron)
•призовые места на Kaggle и подобных
Предлагаем
•compute без бюрократии
•выделенная команда на направление и инженерная поддержка под скейлинг
•прямое участие в стратегии направления — что делаем, во что не верим, на чём фокусируемся на длинном горизонте
Условия
•комфортный современный офис - м. Кутузовская
•ежегодный пересмотр зарплаты, годовой бонус
•корпоративный спортзал и зоны отдыха
•более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
•расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
•гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
•подписка Прайм с возможностью совместного использования на трёх близких
•вознаграждение за рекомендацию друзей в команду Сбера
•корпоративная пенсионная программа.
Технологии и навыки
Похожие вакансии
Мы против мошенников на площадке: если тебя просят заплатить, продиктовать код или установить непонятное приложение — прекращай общение и сразу пиши нам (чат с основателем или форма обратной связи).