Research Engineer

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…