GigaChat (GigaChain): Agentic Post-Training и Online RL Обязанности Исследовать поведение модели: разбирать ошибки GigaChat в длительных задачах: потерю цели и контекста, слабое планирование, неверный выбор инструментов, зацикливание, ошибки восстановления и преждевременное завершение работы анализировать отдельные шаги и целые траектории, находить систематические паттерны успешного и неуспешного поведения понимать источник проблемы и определять, что нужно менять: обучающие данные, objective, reward-сигнал, модель или agentic environment. Улучшать модель: 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, а когда задачу эффективнее решить более простым способом. Оценивать изменения: строить evaluation для многошаговых агентных задач и анализировать качество не только по финальному результату, но и по поведению модели внутри траектории проверять, переносится ли улучшение 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 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.
Похожие вакансии