Чем предстоит заниматься

• Генерировать синтетические данные: математика, код, произвольная синтетика с сидами — документами из Web.
• Исследовать токенизацию и её влияние на качество модели (возможно написание статей).
• Решать задачи кластеризации миллиардов документов, исследовать разные факторы, которыми обладают текстовые данные.
• Генерировать Vision-данные для прокачки VLM.
• Разрабатывать новые алгоритмы парсинга HTML.
• Исследовать его влияние на качество модели, исследовать зависимости между pretrain-данными и agentic capabilities итоговой модели.
• Разрабатывать стабильную инфраструктуру, которая будет поддерживать проведение сотен и тысяч экспериментов над данными.

Формат работы

Гибрид в Москве и Санкт-Петербурге.