ML Engineer / Research Engineer (агентские навыки в претрейне LLM)
Вакансия участвует в серии быстрых наймовых мероприятий. Регистрируйтесь, пройдите все этапы собеседований и получите офер за несколько дней.
Регистрация до 9 сентября.
Зарегистрироваться
Привет! Меня зовут Екатерина Редина, я руковожу командой исследования знаний, которая обучает с нуля базовые модели Alice AI LLM.
У нас вы сможете формировать агентские способности внутри базовой модели, а не только собирать оркестрацию поверх готовой LLM, сможете доводить идеи от небольшого эксперимента до полноценного претрейна, искать решения в области, где у индустрии ещё нет устоявшихся подходов. А также результаты вашей работы войдут в следующие поколения Alice AI LLM и продукты Яндекса. Таким образом, в одной роли соединяются исследования, обучение моделей с нуля и разработка масштабных ML-систем.
Если вам интересно не только собирать агентов из готовых компонентов, но и учить саму модель действовать, создавая новые возможности для реальных продуктов, — приходите к нам.
Екатерина Редина
Руководитель команды исследования знаний
Какие задачи вас ждут
- Данные для будущих агентов Главный исследовательский вопрос — какой опыт должна получить базовая модель, чтобы уверенно справляться не только со знакомыми сценариями, но и с новыми задачами и инструментами.
- создавать траектории взаимодействия с цифровой средой;
- работать с search-, CRUD-, SWE-, computer-use- и другими многошаговыми сценариями;
- включать в датасеты как успешные решения, так и ошибки с последующим исправлением;
- находить форматы данных, которые развивают способность к обобщению;
- изучать, как результат меняется с размером модели и объёмом обучения. Готовых рецептов здесь почти нет. Нужно будет предлагать свои гипотезы и проверять их в реальном обучении LLM.
Интерактивные среды
- Для обучения и объективной оценки нужны среды, где агент может совершать действия, видеть их последствия и получать обратную связь.
- создавать автоматически проверяемые задачи и масштабировать их до больших объёмов;
- воспроизводить взаимодействие с сайтами, API, кодом и приложениями;
- регулировать сложность и разнообразие сценариев;
- развивать инфраструктуру для параллельного запуска множества агентов;
- проверять, переносятся ли результаты из симуляций в реальные условия.
Генерация синтетики
- Реальных траекторий недостаточно, поэтому большую часть обучающего материала приходится создавать автоматически.
- вам предстоит строить системы, в которых агенты:
- придумывают новые задания и сценарии;
- решают их и проверяют друг друга;
- взаимодействуют через self-play и мультиагентные пайплайны;
- находят ошибки и улучшают неудачные траектории;
- выбирают наиболее ценные примеры для следующего цикла обучения. Отдельный вызов — сохранить разнообразие и качество синтетики, не позволив ошибкам и шаблонам накапливаться от поколения к поколению.
Эксперименты и оценка
- Высокий результат на одном бенчмарке ещё не делает LLM хорошим агентом. Нам важно понимать, действительно ли она стала надёжнее в реальных сценариях.
- мы оцениваем:
- успешность в длинных многошаговых задачах;
- устойчивость к ошибкам и неожиданным изменениям;
- умение выбирать и сочетать инструменты;
- обобщение на незнакомые условия;
- зависимость результата от состава корпуса, размера LLM и вычислительного бюджета.
Вы пройдёте весь экспериментальный цикл: подготовите выборку, проведёте быстрые запуски на небольшом масштабе, разберёте результаты и перенесёте лучшие решения в претрейн крупных моделей.
Мы ждём, что вы
- Уверенно пишете на Python
- Работали с ML, NLP, LLM или другими направлениями deep learning
- Понимаете, как устроены и обучаются трансформеры
- Умеете превращать идею в проверяемую гипотезу и корректный эксперимент
- Не ограничиваетесь метриками, а ищете причины полученного результата
- Способны довести исследовательский прототип до работающей системы
- Следите за исследованиями и умеете оценивать, какие идеи стоит проверять на практике
Особенно пригодится опыт в одном или нескольких направлениях:
- AI agents и tool use
- претрейн или посттрейн LLM
- synthetic data
- reinforcement learning или imitation learning
- SWE-, browser- или computer-use-агенты
- интерактивные среды и симуляторы
- автоматическая проверка решений
- оценка агентских систем
- распределённые ML-пайплайны
Необязательно подходить по всем пунктам. Нам важнее сильная база, исследовательское мышление и готовность разбираться в новых задачах.
Узнать больше
Yandex R&D
Бенефиты работы в Яндексе
- Здоровье
- Рост и развитие
- Спорт
- И ещё
Расширенная медицинская страховка начинает работать с первого месяца в Яндексе. В неё входят:
Базовые услуги
- Плановая помощь и неотложная за рубежом, страхование от несчастных случаев для любителей активного отдыха и лечение критических заболеваний.
Ментальное здоровье
- Врачи в клиниках по ДМС, онлайн-консультации с психологами. А также психотерапия в офисах, где есть кабинет психотерапевта.
Ежегодные чекапы
- Мы за превентивную заботу о здоровье, поэтому по ДМС можно проходить чекапы и регулярно вакцинироваться.
Больничный
- 30 дней в году оплачиваются — вы получите полную зарплату, как будто не болели.
Стоматология
- Плановые процедуры, профессиональная чистка и экстренная помощь за рубежом.
Коррекция зрения
- После года работы ДМС покрывает коррекцию зрения и хирургическое лечение косоглазия.
Терапевты в офисах
- Если почувствовали себя неважно, можно обратиться в кабинет врача-терапевта, такие есть во всех крупных офисах Яндекса.
Ведение беременности и роды
- Оплачиваем ведение беременности и роды для сотрудниц и жён сотрудников, которые с нами более двух лет.
Страховка для родственников по системе 80/20: мы оплачиваем 80% стоимости ДМС для детей и супругов, вы — остальные 20%. В страховку входит всё то же самое, что и у вас.
Больше о бенефитах
Все интересные вам вакансии в одном профиле:
Войти и откликнуться
Посмотреть ещё:
.
