Middle RL - Engineer (GigaChat Vision)

Привет! Это GigaChat Vision — команда, которая делает полный цикл обучения VLM-моделей. Ищем сильного инженера в RL-направление: 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!_

• 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.
• 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.