Principal ML Researcher

В роли Principal ML Researcher вы определяете общую техническую стратегию, исследовательскую стратегию и архитектуру ядра ML и стека пост‑тренинга Toloka. На этой высоко‑влияющей позиции вы соединяете передовые исследования ИИ и масштабную платформенную инженерию.

Вы будете вести техническую стратегию в области новых пост‑тренинговых парадигм (таких как GRPO, моделирование вознаграждения процесса/результата и RLAIF), проектировать надёжные автоматизированные экосистемы оценки и задавать стандарты адаптации и обслуживания фундаментальных моделей на нашей платформе. Как технический авторитет, вы будете наставлять старших ML‑инженеров, работать напрямую с руководством компании и представлять Toloka в более широком сообществе исследователей ИИ.

• Вести техническую стратегию: определить многоквартальную стратегию и архитектуру стека пост‑тренинга Toloka, обеспечивая опережение отраслевых тенденций в возможностях донастройки, RL и оценки.

• Проектировать новые пост‑тренинговые и RL‑конвейеры: возглавить переход от базового SFT к продвинутым RL‑рамкам (GRPO, PPO/DPO, моделирование вознаграждения, Process Reward Models и RLAIF) для обеспечения согласованности LLM и поведения агентов на всей платформе.

• Пионерировать новые средства оценки: разрабатывать и калибровать надёжные автоматизированные экосистемы оценки, включая человечески‑ориентированные LLM‑as‑a‑judge‑фреймворки, динамические наборы бенчмарков и системы контроля регрессии.

• Продвигать дистилляцию и оптимизацию вывода: вести исследовательские инициативы по дистилляции моделей, квантизации, сжатию контекста (например, gisting) и спекулятивному декодированию для оптимизации компромисса задержка‑стоимость на масштабе платформы.

• Формировать возможности агентной платформы: проектировать автономные направляющие агенты и рабочие процессы использования инструментов, создавая фундаментальные фреймворки для многошагового рассуждения, самокоррекции и обратных связей, управляемых оценкой.

• Техническое руководство и наставничество: повышать планку инженерии и исследований в команде через обзоры архитектурных решений, практическое наставничество старших ML‑исследователей и установление лучших практик воспроизводимых R&D в ML.

• Межфункциональное влияние и участие в сообществе: сотрудничать с директорами Product и Engineering для трансформации сложных клиентских задач в масштабируемую архитектуру платформы; писать высоко‑влияющие исследовательские статьи, блоги и выступления на внешних технических мероприятиях.

• 6+ лет в ML‑инжиниринге или прикладных исследованиях, с 3+ годами подтверждённого опыта руководства инициативами пост‑тренинга, донастройки или согласования LLM в масштабе.

• Глубокое теоретическое и практическое владение согласованием LLM: SFT, LoRA/PEFT, RLHF/RLAIF (GRPO, DPO, PPO), моделирование вознаграждения и пост‑тренинг, ориентированный на рассуждения.

• Мастерство оценки и калибровки LLM: доказанный опыт построения оценочных конвейеров с нуля, решения проблем предвзятости LLM‑as‑a‑judge и точной калибровки автоматических оценок по сравнению с человеческими золотыми стандартами.

• Эксперт в распределённом обучении и системной инженерии: сильная компетентность в Python, PyTorch, распределённых фреймворках обучения (Deepspeed, Megatron, FSDP) и высокопроизводительных движках вывода (vLLM, TensorRT‑LLM).

• Архитектурное видение и лидерство в продукте: продемонстрированная способность преобразовывать неоднозначные технические задачи в надёжные функции платформы, балансируя передовые исследования с надёжностью производства и ограничениями стоимости.

• Технический авторитет: подтверждённый опыт работы в качестве технического лидера, наставничества старших исследователей/инженеров и влияния на межфункциональные дорожные карты.

• Язык: свободное владение устным и письменным английским (C1), с чёткими навыками коммуникации для объяснения сложных технических концепций как внутренним командам, так и внешним клиентам/сообществу.

• Конкурентный пакет компенсаций, включающий базовую зарплату, бонус и ESOP.

• Оплачиваемый отпуск (PTO) и льготы, которые будут различаться в зависимости от местоположения.

• Мы предлагаем полностью удалённый или гибридный режим работы (если вы находитесь в NL или Сербии).

• Оборудование ИТ и надбавки на домашний офис.

• Равные возможности для всех: Toloka обязуется предоставлять равные возможности и способствовать инклюзивной среде.