Описание вакансии
Location: Москва
Мы делаем данные, на которых GigaChat учится видеть: разбирать фотографии, документы, графики, рукописный текст и видео. Команда Multimodal Data (Vision) отвечает за всё, что попадает в обучение визуальной части модели после претрейна: SFT и DPO. Модели, которые на них учатся, — от десятков до сотен миллиардов параметров. Результат измеряем на открытых мультимодальных бенчмарках: OCRBench v2, OmniDocBench, MMMU, MathVision, Point-Bench и других. Ищем опытного инженера, который возьмёт одно из направлений и будет вести его от гипотезы «чего не хватает модели» до измеренного роста метрики.
Инфраструктура уже есть: хранилище данных с git-версионированием и выгрузкой на YTsaurus, замеры в lmms-eval с автоматическим разбором ошибок модели по доменам и субтаскам, краудсорсинговая платформа TagMe и внутренние эксперты-разметчики, модели-учителя для генерации данных и в роли LLM-судей. Как GigaChat работает с картинками, можно посмотреть на giga.chat.
_Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!_
Обязанности
* **Собирать данные под конкретные бенчмарки и доказывать их эффект.** Разбирать дампы замеров по субтаскам, находить, чего модели не хватает, собирать данные в формате замера и измерять результат. Например, под OCRBench v2 данные собираются по каждой из 23 подзадач отдельно, от распознавания формул до таблиц в HTML.
* **Генерировать синтетику, переписывать ответы моделями-учителями и проектировать цепочки пошаговых визуальных рассуждений.** Рендерить русские документы, таблицы, формулы и рукописный текст с точной разметкой (LaTeX и HTML → PDF → картинка), генерировать вопросы и ответы открытыми моделями-учителями, отсеивать брак автоматическими проверками и LLM-судьями.
* **Строить DPO-пары.** «Плохой» ответ в паре берём из ошибок нашей модели (галлюцинации, зацикливание в длинном OCR, сломанный формат), «хороший» — исправленный и проверенный. Под каждый тип дефекта своя корзина пар, без смещения по длине ответа.
* **Проектировать разметку.** Инструкции, контрольные задания и агрегация для крауда на TagMe и для внутренних экспертов, SBS-сравнения моделей на реальных запросах пользователей, проверка LLM-судей людьми. Люди нужны там, где ответ нельзя проверить автоматически: открытые вопросы, сравнения, оценка рассуждений.
* **Контролировать чистоту данных и развивать платформу.** Настраивать автоматические пайплайны дедупликации документов, определения утечек тестовых сетов. Работать с git-версионированием, конвертерами в формат обучения с тестами, выгрузками на YTsaurus и валидацией в Airflow. Дашборды состава датамикса с автоматическим диффом двух версий SFT или DPO, загрузка открытых датасетов и проверка эффекта отдельного источника LoRA-дообучением с замером на бенчмарках.
Требования
* Не меньше трёх лет готовили данные для обучения или оценки ML-моделей: сбор, фильтрация, дедупликация, разметка. Понимаете, как SFT и DPO данные влияют на модель.
* Уверенно пишете на Python (PyTorch, Pandas/Polars, Asyncio для пакетных запросов к API) и SQL, понимаете базовые концепции распределённого обучения.
* Имеете опыт работы с большими языковыми или мультимодальными моделями (VLM, Vision Transformers) и библиотеками Hugging Face.
* Используете LLM/VLM как прикладной инструмент: автоматическая фильтрация, генерация синтетики, пайплайны с LLM-судьями, проверка судей людьми, контроль стоимости и пропускной способности.
* Обладаете сильной математической и статистической культурой: знаете про дисперсию и шум бенчмарков, согласованность разметчиков и парные сравнения, отличаете рост метрики от утечки теста.
**Будет плюсом, если вы:**
* Работали с мультимодальными моделями: VLM, OCR, понимание документов; знакомы с lmms-eval или похожими фреймворками замеров.
* Проектировали краудсорсинговую разметку (TagMe, Toloka): инструкции, контрольные задания, агрегация.
* Проводили эксперименты по эффективному дообучению (LoRA, QLoRA, PEFT) на GPU-кластерах.
* Работали с распределёнными хранилищами и Big Data инструментами: YTsaurus, Spark или ClickHouse на сотнях миллионов строк и с Airflow.
Условия
* крупнейшее DS&AI community — более 600 DS-специалистов банка
* дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира
* возможность быть соавтором НИРов и статей для международных конференций
* 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.
Контакты работодателя доступны по кнопке «Откликнуться» после входа.