• Разрабатывать post-training эксперименты с SFT и RL для открытых языковых моделей; • Создавать reward-функции и верификаторы для сложных юридических задач;
Responsibilities:
— Develop post-training experiments using Supervised Fine-Tuning (SFT) and Reinforcement Learning (RL) for open-weight language models.
— Create reward functions and verifiers tailored for complex legal tasks.
— Debug and manage distributed training processes, ensuring model quality before release.
Requirements:
— Practical experience with post-training of large language models (LLMs) involving SFT, RL, and preference optimization.
— Deep understanding of machine learning fundamentals and reliable distributed training.
— Strong Python programming skills with production-quality code and end-to-end system ownership.
— Research experience in reinforcement learning for language models or reward modeling, capable of translating experiments into deployed improvements.
Benefits:
— Competitive compensation ranging from $230,000 to $450,000 USD annually.
— Remote work opportunity.
Additional Information:
— The role is part of a small, high-standard team focused on advancing AI for legal and professional services.
— Equal opportunity employer committed to diversity and reasonable accommodations for applicants with disabilities.
Apply here: https://jobs.ashbyhq.com/harvey/30df72cf-ee68-4194-864e-47745ca8b6e0
Контакты работодателя доступны по кнопке «Откликнуться» после входа.
Из чего сложилась оценка. Нажмите, чтобы узнать подробнее
Понятные задачи
Задачи чётко описаны: разработка post-training экспериментов с SFT и RL, создание reward-функций для юридических задач, отладка распределённого обучения и оценка качества моделей.
Из объявления
• Разрабатывать post-training эксперименты с SFT и RL для открытых языковых моделей; … • Создавать reward-функции и верификаторы для сложных юридических задач; … • Отлаживать распределённое обучение и оценивать качество моделей перед выпуском.