Data Scientist в команду LLM Core

Навыки

• AI-агенты
• Самостоятельность
• Code review
• CUDA / ONNX / TensorRT
• Анализ данных
• Дисциплина
• Дообучение моделей

О компании и продукте

• Наша команда обучает собственные базовые LLM и внедряет их в бизнес-сценарии Авито. Цель команды — обеспечить продукты моделями, которые подходят по качеству ответов и стоимости применения.Мы адаптируем open source-решения под русский язык и доменную специфику Авито с помощью continual pre-training и подмены токенизатора. Для развития моделей команда исследует новые методы, пайплайны, включая RL и синтетические данные, а также датасеты. Мы проводим регулярные LLM-семинары, где разбираем статьи и AI-тренды.Технический фокус команды — построение масштабируемого пайплайна для претрейна и дообучения LLM, а также оптимизация инференса: работа с современными движками, квантованием, speculative decoding и другими методами ускорения.Мы ищем Data Scientist в команду LLM Core.

Задачи

• формулировать и проверять гипотезы в области претрейна, continual pre-training, post-training, RL, синтетических данных и архитектур моделей
• самостоятельно вести сложные исследовательские и инженерные задачи: от постановки цели, выбора метрик и дизайна экспериментов до реализации, анализа результатов и внедрения
• масштабировать обучение и инференс: профилировать узкие места, повышать эффективность распределённого обучения и инференса, работать с квантованием, speculative decoding и современными inference-движками
• строить надёжные процедуры оценки качества, проводить анализ ошибок, находить регрессии и проектировать датасеты и метрики для сравнения моделей по качеству, latency и стоимости
• писать продакшен-код на Python и PyTorch, проводить code review, улучшать воспроизводимость экспериментов, надёжность и поддерживаемость ML-решений
• делиться знаниями, менторить менее опытных коллег, участвовать в архитектурных обсуждениях и внутренних LLM-семинарах. Роль не предполагает обязательного управления командой
• масштабировать базовую модель A-vibe: исследовать новые архитектуры и подходы к обучению
• оптимизировать скорость и стоимость инференса высоконагруженных моделей в продакшене
• проектировать и помогать разрабатывать внутренние LLM-платформы и мультиагентные системы
• строить надёжную инфраструктуру для оценки качества моделей

Требования

• глубоко понимаете современные ML-алгоритмы, Transformer и принципы обучения LLM
• имеете практический опыт обучения, адаптации или внедрения NLP-моделей и умеете превращать идеи в проверяемые эксперименты
• умеете самостоятельно работать с неопределённостью: декомпозировать проблему, выбирать метрики, анализировать результаты и принимать технические решения
• уверенно пишете на Python, хорошо знаете PyTorch и инженерные практики разработки
• понимаете компромиссы между качеством, latency, throughput и стоимостью и учитываете их при выборе решения

Будет плюсом

• работали с continual pre-training, заменой или расширением токенизатора, SFT, LoRA либо RL-подходами к post-training
• имеете опыт распределённого обучения или оптимизации инференса и знакомы с такими инструментами, как DeepSpeed, vLLM, SGLang или TensorRT-LLM
• строили пайплайны оценки качества, синтетические датасеты или системы автоматического анализа ошибок моделей
• работали с MLOps-инструментами для трекинга экспериментов и версионирования данных и моделей: Weights & Biases, MLflow, DVC или аналогами
• публиковали исследования, участвовали в open source-проектах или занимали высокие места в соревнованиях по машинному обучению

Условия

• возможность влиять на продукт: ваши решения будут улучшать опыт миллионов пользователей
• сложные технологические задачи на большом масштабе
• мощное железо: доступ к производительным GPU-кластерам для экспериментов
• сильное комьюнити: команда экспертов, с которой можно обсуждать идеи и подходы
• развитие: бюджет на обучение, курсы, конференции и профессиональную литературу
• забота о здоровье: ДМС со стоматологией с первого дня, в офисе принимают терапевт и массажист
• гибкость: возможность работать удалённо или из офисов в 4 городах России

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.