Senior RL Engineer (GigaChat Vision)

Привет! Это GigaChat Vision — команда, которая делает полный цикл обучения VLM-моделей. Ищем сильного senior-инженера в RL-направлении: человека, который будет драйвить ключевые исследования и разработки, влиять на качество моделей и доводить сложные идеи до работающих решений.

Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

Обязанности

• Разрабатывать и улучшать RL-подходы для обучения VLM/LLM-моделей: выбор алгоритмов, постановка экспериментов и анализ результатов.
• Проектировать reward-функции и пайплайны обучения, выстраивать стратегии масштабирования под разные домены и сценарии, напрямую влияя на метрики качества.
• Определять требования к данным для RL: участвовать в построении пайплайнов сбора, фильтрации и подготовки датасетов.
• Развивать систему оценки reasoning-качества: внедрять и улучшать метрики в существующем eval-фреймворке, предлагать новые способы измерения качества под новые возможности модели.
• Работать на стыке с Pretrain / SFT / Infra: обеспечивать согласованность решений и перенос экспериментов в продакшн-пайплайн.
• Следить за состоянием области и переводить свежие идеи из статей в проверяемые эксперименты и инженерные решения.
• Глубоко погружаться в технические задачи: дебажить эксперименты, разбирать аномалии в обучении, находить узкие места и доводить решения до результата.
• Делиться экспертизой с командой: участвовать в код-ревью, помогать улучшать качество решений и подходы к экспериментам.
• Развивать инфраструктуру для RL.

Требования

• Глубокое понимание RL для LLM/VLM (RLHF, GRPO, PPO) и практический опыт.
• Понимание полного цикла обучения VLM/LLM (pretrain → SFT → RL) и того, как решения на каждом этапе влияют на финальные метрики.
• Опыт с распределённым обучением (DeepSpeed, FSDP) и inference-фреймворками.
• Сильный практический опыт постановки, проведения и анализа RL-экспериментов.
• Умение работать в условиях неопределённости и самостоятельно двигать сложные технические задачи.
• Умение выстраивать процессы в условиях неопределённости.
• Опыт взаимодействия со смежными командами и стейкхолдерами.
• Системное мышление: способность видеть картину целиком — от данных и reward-дизайна до eval и продакшн-метрик.

Будет плюсом

• Опыт менторинга или технического лидерства в рамках отдельных проектов.
• Публикации или open-source вклад в области RL/LLM/VLM.
• Опыт вывода RL-обученных моделей в продакшн и поддержки их качества.

Условия

• Крупнейшее DS&AI community — более 600 DS-специалистов банка.
• Дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира.
• Возможность быть соавтором НИРов и статей для международных конференций.
• 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.