Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
Prime Intellect
Сан-Франциско, Соединенные Штаты26 дней назад
150 000 – 300 000 USD
в год
Формат работы
Удалённо, Офис
Уровень английского
B2, выше среднего
Релокация
Соединенные Штаты, Великобритания, Сан-Франциско, Нью-Йорк, Лондон
Письмо на почту или сообщение рекрутеру в Telegram
ВАШЕ СОБСТВЕННОЕ ИНТЕЛЛЕКТУАЛЬНОЕ РЕШЕНИЕ
Prime Intellect создает открытый стек супер-интеллекта: инфраструктуру, которую внутренне разрабатывают передовые AI-лаборатории, делая ее доступной для каждой амбициозной AI-команды.
Наша платформа, Lab, объединяет вычисления, среды, оценки, безопасные песочницы, высокопроизводительное обучение и развертывание в единую полнофункциональную систему для постобучения в масштабах передовых разработок — от SFT и RL до использования инструментов, рабочих процессов агентов и постоянно совершенствуемых производственных моделей. Мы создаем открытый передовой AI: модели с открытым исходным кодом, обученные от начала до конца для решения долгосрочных задач, таких как автономные исследования, и полнофункциональную платформу, которую использует наша собственная исследовательская команда для их создания. Следующему поколению AI-компаний, предприятий и исследовательских команд нужны не просто дополнительные GPU. Им нужна возможность превратить свои собственные рабочие процессы, инструменты, данные и циклы обратной связи в супер-интеллект, которым они владеют.
Prime Intellect привлек $150 млн общего финансирования от Founders Fund, Radical Ventures, NVIDIA и выдающихся операторов в сфере AI, инфраструктуры и корпоративного бизнеса — включая Андрея Карпатого, Дваркеша Пателя, а также руководителей и основателей из Ramp, Perplexity, Harvey, Mercor, Zapier, Datadog, Cognition, OpenAI, Thinking Machines, Together AI, SemiAnalysis, LangChain, Browserbase, Cloudflare, Sierra, Databricks, Airbnb, OpenRouter, Standard Intelligence, Fleet, Core Auto и других. Мы ищем людей, которые хотят работать на стыке передовых исследований, реальной инфраструктуры и вывода на рынок продукта в категории, которой еще не существует.
ВЛИЯНИЕ РОЛИ
Количественные финансы — это сложная среда для применения агентного обучения с подкреплением: наблюдения зашумлены и нестационарны, действия имеют отложенные и зависящие от пути последствия, наивные цели допускают эксплуатацию, а убедительный исторический результат может исчезнуть из-за затрат, ограничений или нового режима. Вы будете создавать среды, оценки, агентов и методы постобучения для количественных исследований и систематического принятия решений. У нас есть активные программы с количественными фондами и другими финансовыми командами. Работа может охватывать исследовательских агентов, симуляторы рынков и портфелей, анализ временных рядов, исполнение, управление рисками и производственные циклы обратной связи, которые связывают гипотезы с развернутыми системами.
Прикладные исследования в Prime
Мы превращаем рабочий процесс в задачи, среды, оценки и сигналы вознаграждения, проводим эксперименты по постобучению на реальных базовых линиях и развертываем то, что работает. Когда результат выглядит хорошо, мы выясняем, получена ли выгода от модели или от данных, аппаратного обеспечения, инференса или инфраструктуры. Повторно используемые части становятся общими исследованиями, системами с открытым исходным кодом и возможностями продукта.
Каждая роль в области прикладных исследований ориентирована на внешнюю работу. Большинство исследователей напрямую работают с клиентами, пользователями или исследовательскими партнерами, сохраняя при этом существенную исследовательскую повестку дня.
Представительные ранние задачи
Создать среду для количественных исследований, где агент формирует гипотезу, пишет и выполняет анализ, проводит бэктестинг на данных, актуальных на момент времени, диагностирует результат и решает, что тестировать дальше
Разработать вознаграждения и оценки, которые отличают долгосрочное улучшение от артефактов смещения взгляда в будущее (look-ahead bias), утечки данных, переобучения, благоприятных предположений об исполнении или скрытых рисков концентрации и хвостовых рисков
Обучить долгосрочных агентов использованию данных, исследований, инструментов для написания кода, симуляции и управления портфелем, сохраняя при этом происхождение данных, соблюдая ограничения по рискам и адаптируясь при изменении рыночных условий
Что вы будете курировать
Среды, основанные на данных, актуальных на момент времени, реалистичной рыночной механике, транзакционных издержках, задержках, пропускной способности и операционных ограничениях
Агенты, которые проводят количественные исследования, используют аналитические инструменты и инструменты исполнения, проверяют свои доказательства и восстанавливаются после неудачных гипотез
Верификаторы и оценки, которые тестируют надежное поведение вне выборки (out-of-sample) в различных активах, горизонтах, режимах и неблагоприятных условиях
Производственные циклы с мониторингом, человеческим контролем, контрольными точками регрессии и атрибуцией сбоев по моделям, данным, симуляции и инфраструктуре, производя методы, которые передаются в другие зашумленные системы принятия решений с высокими ставками
В первую очередь мы ищем специалистов с глубокими знаниями в области RL, агентов или систем постобучения и способностью быстро освоить количественные исследования
Предыдущий опыт в систематической торговле, рыночной микроструктуре, моделировании временных рядов, эконометрике или финансовом моделировании полезен, но не обязателен
Практический опыт создания и отладки циклов обучения моделей, постобучения, агентов, оценки или тесно связанных с ними экспериментальных циклов
Сильное экспериментальное суждение: значимые базовые линии, тщательный анализ трассировки, четкое определение причин сбоев и готовность менять направление, когда меняются доказательства
Отличное знание Python и способность создавать артефакты, которые другие исследователи и инженеры могут запускать, проверять и расширять
Комфортное владение неоднозначными проблемами и поддержание актуальной информации у партнеров и коллег по мере их решения
Доказательства выдающейся работы
Мы ценим публикации, системы с открытым исходным кодом, бенчмарки и выпущенные продукты как доказательство выдающейся работы. Покажите нам что-то сложное, что вы создали, что пошло не так, и как доказательства изменили ваш подход.
Денежная компенсация в диапазоне $150–300 тыс. + опционы на акции
Гибкий график работы (Сан-Франциско, Нью-Йорк, Лондон или удаленно)
Спонсорство виз и поддержка при переезде
Бюджет на профессиональное развитие
Командные выезды и посещение конференций
OWN YOUR INTELLIGENCE
Prime Intellect is building the open superintelligence stack: the infrastructure frontier AI labs build internally, made available to every ambitious AI team.
Our platform, Lab, unifies compute, environments, evaluations, secure sandboxes, high-performance training, and deployment into one full-stack system for post-training at frontier scale - from SFT and RL to tool use, agent workflows, and continuously improving production models. We are building open frontier AI: open-source models trained end to end for long-horizon tasks like autonomous research, and the full-stack platform our own research team uses to build them. The next generation of AI companies, enterprises, and research teams do not just need more GPUs. They need the ability to turn their own workflows, tools, data, and feedback loops into superintelligence they own.
Prime Intellect has raised $150M in total funding from Founders Fund, Radical Ventures, NVIDIA, and exceptional AI, infrastructure, and enterprise operators — including Andrej Karpathy, Dwarkesh Patel, and leaders and founders from Ramp, Perplexity, Harvey, Mercor, Zapier, Datadog, Cognition, OpenAI, Thinking Machines, Together AI, SemiAnalysis, LangChain, Browserbase, Cloudflare, Sierra, Databricks, Airbnb, OpenRouter, Standard Intelligence, Fleet, Core Auto, and more. We are looking for people who want to build at the intersection of frontier research, real infrastructure, and go-to-market for a category that does not fully exist yet.
ROLE IMPACT
Quantitative finance is a demanding setting for agentic reinforcement learning: observations are noisy and non-stationary, actions have delayed and path-dependent consequences, naive objectives invite exploitation, and a convincing historical result can disappear under costs, constraints, or a new regime. You will build environments, evaluations, agents, and post-training methods for quantitative research and systematic decision-making. We have active programs with quantitative funds and other finance teams. The work may span research agents, market and portfolio simulators, time-series reasoning, execution, risk, and the production feedback loops that connect hypotheses to deployed systems.
RESPONSIBILITIES
Applied Research at Prime
We turn a workflow into tasks, environments, evaluations, and reward signals, run post-training experiments against real baselines, and deploy what works. When a result looks good, we find out whether the gain came from the model or from the data, harness, inference, or infrastructure. The reusable parts become shared research, open-source systems, and product capabilities.
Every Applied Research role is externally facing. Most researchers work directly with customers, users, or research partners while maintaining a substantive research agenda.
Representative early problems
Build a quantitative-research environment where an agent forms a hypothesis, writes and runs analysis, runs a backtest on point-in-time data, diagnoses the result, and decides what to test next.
Design rewards and evaluations that distinguish durable improvement from the artifacts of look-ahead bias, data leakage, overfitting, favorable execution assumptions, or hidden concentration and tail risk.
Train long-horizon agents to use data, research, coding, simulation, and portfolio tools while preserving provenance, respecting risk constraints, and adapting when market conditions change.
What you will own
Environments grounded in point-in-time data, realistic market mechanics, transaction costs, latency, capacity, and operational constraints.
Agents that conduct quantitative research, use analytical and execution tools, inspect their evidence, and recover from failed hypotheses.
Verifiers and evaluations that test robust out-of-sample behavior across assets, horizons, regimes, and adverse conditions.
Production loops with monitoring, human authority, regression gates, and failure attribution across models, data, simulation, and infrastructure, producing methods that transfer to other noisy, high-stakes decision systems.
REQUIREMENTS
We are looking first for depth in RL, agents, or post-training systems and the ability to become fluent in quantitative research.
Prior work in systematic trading, market microstructure, time-series modeling, econometrics, or financial simulation is useful but not required.
Hands-on experience building and debugging model-training, post-training, agent, evaluation, or closely adjacent experimental loops.
Strong experimental judgment: meaningful baselines, careful trace inspection, clear failure attribution, and a willingness to change direction when the evidence changes.
Strong Python and the ability to build artifacts that other researchers and engineers can run, inspect, and extend.
Comfort owning ambiguous problems and keeping partners and teammates current as you resolve them.
Evidence of exceptional work
We value publications, open-source systems, benchmarks, and shipped products as evidence of exceptional work. Show us something difficult you built, what failed, and how the evidence changed your approach.
BENEFITS AND PERKS
Cash Compensation Range of $150-300k + equity incentives
Flexible Work (San Francisco, New York, London, or remote)
Visa Sponsorship & relocation support
Professional Development budget
Team Off-sites & conference attendance
If you're excited about the opportunity to build the foundation for the future of decentralized AI and create a platform that empowers developers and researchers to push the boundaries of what's possible, we'd love to hear from you.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 250 000 до 303 000
