Research Engineer (GigaChat, Agentic Post-Training и Online RL) в ПАО Сбербанк Москва

Исследовательский инженер в команду GigaChat (GigaChain) для работы над agentic post-training и online RL. Задача — исследовать поведение LLM-агента в длительных задачах, улучшать post-training пайплайны и строить evaluation многошаговых агентных сценариев.

Задачи:

• Исследовать поведение модели: разбирать ошибки GigaChat в длительных задачах (потеря цели и контекста, слабое планирование, неверный выбор инструментов, зацикливание, ошибки восстановления, преждевременное завершение)
• Анализировать отдельные шаги и целые траектории, находить систематические паттерны успешного и неуспешного поведения
• Определять источник проблемы и что нужно менять: обучающие данные, objective, reward-сигнал, модель или agentic environment
• Разрабатывать и улучшать post-training пайплайны для агентных сценариев
• Работать с rollout'ами, reward-сигналами, rule-based и execution-based верификаторами, judge- и reward-моделями
• Создавать обучающие выборки из реальных и синтетических агентных траекторий, включая фильтрацию и отбор наиболее полезных примеров
• Выбирать подходящий метод обучения и понимать, когда сложный RL-контур оправдан
• Строить evaluation для многошаговых агентных задач и анализировать качество по поведению модели внутри траектории
• Проверять переносимость улучшений между задачами, бенчмарками и харнесами
• Контролировать регрессии и воспроизводимость результатов
• Взаимодействовать с командами обучения, инференса, данных, API и агентных харнесов

Требования:

• Сильное владение Python и практический опыт работы с PyTorch
• Практический опыт LLM post-training: SFT, preference optimization, RLHF, online RL или близкие направления
• Умение самостоятельно ставить ML-гипотезы, проектировать эксперименты и делать выводы по их результатам
• Опыт построения пайплайнов данных
• Навык анализа модели на уровне отдельных примеров и траекторий
• Способность доводить исследовательскую идею до работающего и воспроизводимого решения

Условия:

• Возможность выбрать удобный формат работы: гибрид или офис
• Ежегодный пересмотр зарплаты, годовая премия
• Корпоративный спортзал и зоны отдыха
• Более 400 образовательных программ СберУниверситета
• 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

Навыки:

• Python
• PyTorch
• LLM post-training
• SFT
• preference optimization
• RLHF
• online RL
• RL
• reward-модели
• evaluation
• пайплайны данных