ML-инженер обучения и alignment моделей ассистента (Senior, IC)

Ориентир по рынку≈ 250 000 – 425 000 ₽наша приблизительная оценка по 9 вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисMiddleПолная занятость

≈ 250 000 – 425 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Сумму в объявлении не указали. Сколько платят за похожую работу, видно в разборе. Вакансия свежая: первые отклики читают внимательнее.

3 из 4 в норме

Зарплата не указана: ваша цель, нижняя граница и фраза для первого созвона

Наша компания

Наша команда отвечает за весь продуктовый ML в Сбере на базе GigaChat. Мы обучаем базовую модель для работы в продуктах СБОЛ (Сбербанк Онлайн, более 80 млн MAU) и Giga.Chat (более 20 млн уникальных пользователей). Мы ищем сильного ML-инженера в команду, которая обучает модели: пишет код обучения, создает рецепты alignment и отвечает за то, что запуск на сотнях карт доходит до чекпоинта, который можно отдать в релиз.

О роли

Работаем с двумя семействами моделей. GigaChat — основная продуктовая модель. Open source модели — Qwen, DeepSeek, Kimi, GLM — мы обучаем под те же сценарии: они дают быструю проверку гипотез, точку сравнения по качеству и запасной путь там, где он нужен продукту. Это роль individual contributor для инженера, которому одинаково интересны и метод обучения, и код, который делает этот метод воспроизв

Чем предстоит заниматься

Coldstart и SFT, DPO, online-RL на GRPO и OPD (on-policy distillation). Задача — не запустить отдельную стадию, а собрать последовательность стадий, в которой каждая следующая опирается на результат предыдущей

Вы будете работать с verl и близкими фреймворками (TRL, OpenRLHF, NeMo-RL) на низком уровне: реализовывать новые алгоритмы поверх них, дорабатывать шаг обучения и поддерживать новые архитектуры моделей

Подбирать состав и пропорции обучающих данных, конфигурации и гиперпараметры, а затем принимать решение, какой чекпоинт едет дальше

Наши требования

Сильную базу ML и личный вклад в код обучения моделей: реализация training loop, постановка экспериментов, диагностика сходимости и качества. Название должности и общий стаж сами по себе не заменяют этот опыт

Практический опыт распределённого обучения на нескольких узлах. Важно понимать, как устроены FSDP, DeepSpeed, Megatron или аналогичный стек, как делятся данные и веса и почему многонодовый запуск расходится или простаивает

В первую очередь нам интересны инженеры с опытом online-RL/GRPO или on-policy distillation. Такой опыт — самый сильный сигнал соответствия роли; 2–3 лет содержательной hands-on работы достаточно

Уверенный PyTorch и Python на уровне чтения и правки чужого кода обучения

Опыт, в котором вы сами провели модель через несколько стадий подряд — от coldstart или SFT до DPO и RL — и отвечали за результат всего каскада, а не отдельного запуска

Опыт работы с verl или аналогичным фреймворком обучения на уровне кода: доработка шага обучения, реализация нового алгоритма, разбор чужой реализации

Опыт распределённого обучения: FSDP, DeepSpeed, Megatron или их аналоги, понимание видов параллелизма и их цены

Опыт обучения reward-моделей на больших наборах предпочтений и понимание того, как они ломаются

Умение профилировать и отлаживать большую ML-кодовую базу: находить узкое место, а не переписывать всё заново

Мы предлагаем

Корпоративный спортзал и зоны отдыха

Более 400 программ СберУниверситета для роста

Программа адаптации и помощь руководителя на старте

Крупнейшее DS&AI community — более 600 DS банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых Последних разработках в области DS&AI и отчеты с крупнейших конференций мира, регулярные внутренние митапы

Расширенный ДМС, льготное страхование для семьи, корпоративная пенсионная программа

Ипотека для сотрудников по дисконтной программе