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:

• прямое влияние на качество GigaChat
• сочетание исследовательской и инженерной работы
• сложные задачи на больших моделях и масштабной инфраструктуре
• сильная команда инженеров и исследователей

Если вам интересно развивать online RL и доводить исследовательские идеи до работающих решений - пишите мне в личные сообщения.