Руководитель направления Online RL (STEM) / Post-Training LLM в команду GigaChat

Сбер·Москва·7 сент.

Руководитель направления Online RL (STEM) / Post-Training LLM в команду GigaChat

Ориентир по рынку≈ 366 000 – 429 000 ₽наша приблизительная оценка по 15 вакансиям этой роли и грейда, у работодателя вилка не указана

≈ 4,5 тыс.–5,2 тыс. $

🏢 ОфисSeniorПолная занятостьКорпорация

≈ 366 000 – 429 000 ₽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 живая, задачи расписаны.

3 из 4 в норме

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

Деньги

Вилку работодатель не назвал. Ориентир на созвон: столько платят в 15 похожих вакансиях ML Engineer уровня Senior.

платят меньше366 000 – 429 000 ₽ у половины таких вакансийплатят больше

Кроме оклада: премия и пересмотр зарплаты. Размер не назван, а от него зависит доход за год.

Вилки нет

Живость

Висит 46 дней, признаков фиктивного найма нет. До этого вакансию выкладывали 1 раз: место освобождается не впервые.

Живая

Описание

Расписано подробно: обязанностей 17, требований 6. Картина ясна до первого созвона.

Обещают: ДМС и компенсация спорта

Подробно

Что требуют

ОбязательноLLMPythonPyTorchML

Надбавка к зарплате на этом уровне: LLM +36%, Python +14%.

Ясно

Полный разбор в Pro

Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме

Сколько просить

Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга

Ваше резюме против требований

Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика

Спросить у работодателя

10 вопросов именно к этой вакансии: что спросить на первом созвоне

Когда откликаться

Стоит ли спешить: за сколько дней Сбер обычно закрывает вакансии

30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro

Чем предстоит заниматься

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

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

Наши требования

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

Мы предлагаем

Возможность выбрать удобный формат работы: гибрид или офис

Ежегодный пересмотр зарплаты, годовая премия

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

Ипотека выгоднее до 7% для каждого сотрудника

Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

Вознаграждение за рекомендацию друзей в команду Сбера

Дополнительно

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