Сбер

ML Engineer

4 months ago

Details

Specialization

AI Engineering

Industry

Company type

Corporation

A cover letter for this job

An email or a Telegram message to the recruiter

About the role

Looking for an ML engineer to join my Online RL team for GigaChat.

We are developing post-training for large language models, including various online RL approaches, and are looking for someone who can not only implement existing ideas but also independently drive the work from hypothesis to measurable model quality improvement.

Responsibilities

develop and improve online RL methods: RLVR and GRPO family algorithms
build a complete training loop: rollouts, reward signals, validators, and model updates
design experiments and understand why a result worked or didn't work
develop robust and reproducible training infrastructure
optimize distributed training, throughput, and GPU utilization

Requirements

We are looking for a strong engineer with good knowledge of Python and PyTorch, experience in LLM post-training / online RL / RLVR, and the ability to independently conduct ML experiments from hypothesis formulation to conclusions.

Nice to have

Experience with GRPO and similar policy optimization approaches, reward models, LLM-as-a-judge, validators for general-domain tasks, as well as with vLLM, SGLang, verl, Megatron, or TRL will be a plus.

Benefits

direct impact on GigaChat's quality
a combination of research and engineering work
challenging tasks on large models and a scalable infrastructure
a strong team of engineers and researchers

Ищу ML-инженера к себе в команду Online RL для GigaChat.

Мы развиваем post-training больших языковых моделей, в том числе разнообразные подходы online RL, и ищем человека, который умеет не только реализовывать готовые идеи, но и самостоятельно вести работу от гипотезы до измеримого роста качества модели.

Что предстоит делать:

разрабатывать и улучшать методы online RL: RLVR и алгоритмы семейства GRPO
строить полный training loop: rollout’ы, reward-сигналы, верификаторы и обновление модели
проектировать эксперименты и разбираться, почему результат сработал или не сработал
развивать надёжную и воспроизводимую инфраструктуру обучения
оптимизировать distributed training, throughput и использование GPU

Ищем сильного инженера с хорошим знанием Python и PyTorch, опытом в LLM post-training / online RL / RLVR и умением самостоятельно проводить ML-эксперименты от постановки гипотезы до выводов.

Будет плюсом опыт с GRPO и близкими policy optimization подходами, reward-моделями, LLM-as-a-judge, верификаторами для general-domain задач, а также с vLLM, SGLang, verl, Megatron или TRL.

Почему к нам: