Вакансии

• Мы ищем талантливого Data Scientist/ML Engineer в ML-команду отдела «Global и Локализация».

Location: Москва Мы занимаемся разработкой и внедрением CV-моделей в бизнес-процессы банка. В числе наших успешных проектов - мобильные и серверные модели распознавания документов (банковские карты, паспорта, водительские удостоверения, различные страховые полисы и т.д.), а также дообученные VLM на извлечение данных из неструктурированных документов. Обязанности * обучать модели * исследовать новые подходы и архитектуры для решения бизнес-кейсов * анализировать данные в соответствии с условиями задачи, контроль качества датасетов * разрабатывать эффективный production-код инференса моделей. Требования * имеете опыт в CV * отлично понимаете архитектуры DL, трансформеров и тонкости их обучения * готовы погружаться в бизнес-задачи и генерировать решения * опыт работы в команде (pytorch, git, dvc, mlflow/clearml, pytest). Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования) * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Москва Мы развиваем GigaChat и ищем сильного ML-инженера в команду online RL. Это роль для человека, который умеет доводить исследовательские идеи до работающих решений: проектировать и запускать эксперименты, строить надёжные пайплайны обучения и добиваться реального роста качества модели. Нам нужен не просто исполнитель задач, а инженер с сильным исследовательским мышлением, который способен самостоятельно разбираться в сложных проблемах, предлагать новые идеи и решения и нести ответственность за результат Обязанности * Разрабатывать и улучшать методы online RL * Реализовывать и дорабатывать подходы post-training и online RL. * Проектировать и проводить эксперименты: формулировать гипотезы, подбирать конфигурации, анализировать результаты не только на уровне метрик, но и на уровне причин. * Разбираться, почему модель стала лучше или хуже, насколько устойчив результат и можно ли его масштабировать на другие домены и типы задач. * Следить за state-of-the-art: читать статьи, воспроизводить результаты, адаптировать лучшие подходы под наши задачи и инфраструктуру. * Строить и развивать инфраструктуру обучения * Разрабатывать и поддерживать пайплайны online RL: от генерации rollout'ов и сбора reward-сигналов до обновления весов модели. * Обеспечивать воспроизводимость экспериментов: версионирование данных, конфигов, чекпоинтов, контроль деградаций. * Оптимизировать throughput и эффективность использования GPU: distributed training, параллелизм, профилирование узких мест. * Выстраивать связку между моделью, средами исполнения, верификаторами и reward-моделями так, чтобы новые идеи можно было быстро проверять. * Работать с данными и системой оценки качества * Участвовать в проектировании и реализации reward-сигналов: rule-based верификаторы, reward-модели, LLM-as-a-judge, execution-based проверки. * Строить и улучшать пайплайны подготовки данных: фильтрация, дедупликация, балансировка, контроль утечек. * Анализировать ошибки модели, выявлять систематические слабые места и формировать целевые обучающие выборки для их устранения. * Работать в сильной команде * Тесно взаимодействовать с исследователями, другими инженерами, командами данных и инфраструктуры. * Брать на себя ответственность за целые куски системы: от идеи до результата в проде. * Делиться знаниями, участвовать в код-ревью, помогать поднимать общую планку качества. Требования Отличное владение Python и PyTorch. Практический опыт в LLM post-training: RLHF, online RL, DPO или смежных направлениях. Опыт проведения ML-экспериментов от начала до конца: постановка гипотезы → реализация → анализ → выводы. Понимание distributed training: Data Parallel, FSDP, DeepSpeed или аналоги. Умение писать чистый, надёжный, production-ready код. Способность разбираться в сложных системах и самостоятельно находить и устранять узкие места. Будет плюсом Опыт работы с reward-моделями, process reward models, LLM-as-a-judge. Опыт построения сред исполнения, sandboxes и верификаторов для code- или STEM-задач. Опыт работы с large-scale inference и оптимизацией генерации (vLLM, Sglang и т.д.). Понимание современных open-source стеков для обучения LLM (Verl, Megatron, TRL и др.). Публикации, open-source вклад или сильный прикладной track record. Условия * Сильные и сложные задачи на переднем крае развития русскоязычных LLM. * Прямое влияние на качество модели: результаты твоей работы видны в бенчмарках и в продукте. * Команду сильных инженеров и исследователей, у которых есть чему поучиться. * Возможность совмещать инженерную и исследовательскую работу. * Конкурентную компенсацию, премии и расширенный соцпакет.

— Внедрение новых алгоритмов в существующую инфраструктуру. — Анализ пользовательских сценариев.

Location: San Francisco, CA About Anthropic Anthropic’s mission is to create reliable, interpretable, and steerable AI systems. We want AI to be safe and beneficial for our users and for society as a whole. Our team is a quickly growing group of committed researchers, engineers, policy experts, and business leaders working together to build beneficial AI systems. About the role The Discovery team at Anthropic is organized around the north star goal of building an AI scientist – a system capable of solving the long-term reasoning challenges and basic capabilities necessary to push the scientific and technological frontier. We're expanding our work on engineering and the applied sciences. Our goal is to contribute to training Claude to invent, design, and engineer across every discipline and scale, reliably and safely: new manufacturing and experimental techniques, processes, materials, devices, instruments, machines, energy systems, and factories. We want this work to accelerate science and technology and benefit people widely. To achieve these goals, we're seeking exceptional machine learning researchers with deep expertise in training and evaluating frontier models. In this role, you'll work end to end across the model stack, developing training environments, rewards, data, and evaluations that measure and improve Claude's performance on complex engineering and scientific tasks, and carrying what works into production training runs. You'll collaborate closely with researchers, engineers, and partners across Anthropic and industry to build AI systems that can engage in all phases of research and development, and that learn from real-world feedback. A background in engineering or the sciences is a plus but not required. Key responsibilities Design, build, and study reinforcement learning environments, rewards, and training data that improve Claude's capabilities in engineering and the applied sciences Create benchmarks and evaluation frameworks that measure model performance on realistic engineering and scientific workflows Develop simulation-based training environments and verifiers, working with domain experts to validate them against real-world data Develop approaches to long-horizon task completion, multi-agent collaboration, and complex reasoning essential for real engineering and research work Research how models can learn efficiently from experiments and real-world feedback Study how environments and rewards behave in large-scale training, including robustness, calibration, and generalization, so that training produces models that are both capable and well aligned Scale research ideas from prototype to production training runs Collaborate with domain experts and industry partners to build and test what Claude invents, designs, and engineers, and turn that feedback into training and evaluation signal Help chart how Claude’s engineering capabilities reach real-world use: where they matter most, what stands in the way of adoption, and how that should shape research priorities Minimum qualifications Proficiency in Python and hands-on experience with a modern machine learning framework such as PyTorch or JAX Hands-on experience training or evaluating machine learning models Track record of machine learning research: forming hypotheses, designing and running experiments, and drawing sound conclusions from the results Ability to implement your own research ideas and diagnose problems in complex systems Ability to learn unfamiliar technical fields quickly and work productively with experts in them Clear communication and a collaborative approach to solving problems Excitement about improving Claude’s scientific capabilities and the downstream impact on science and technology Commitment to developing AI that is safe and beneficial Preferred qualifications Experience with reinforcement learning and pre-training on large language models, including environment and reward design Familiarity with large-scale language model training, evaluation, and inference pipelines Published research or practical experience in AI for science or engineering, or in long-horizon reasoning A degree or work experience in an engineering or applied science discipline, such as mechanical, electrical, materials, chemical, aerospace, systems, or manufacturing engineering, applied physics, or computational simulation Experience building simulators, surrogate models, or simulation-based environments and verifiers, and calibrating and validating them against real-world data Experience with large-scale data pipelines and technical or multimodal datasets Demonstrated ability to work across multiple domains, such as language modeling, systems engineering, and scientific computing The annual compensation range for this role is listed below. For sales roles, the range provided is the role’s On Target Earnings ("OTE") range, meaning that the range includes both the sales commissions/sales bonuses target and annual base salary for the role. Annual Salary: $500,000 — $850,000 USD Logistics Minimum education: Bachelor’s degree or an equivalent combination of education, training, and/or experience Required field of study: A field relevant to the role as demonstrated through coursework, training, or professional experience Minimum years of experience: Years of experience required will correlate with the internal job level requirements for the position Location-based hybrid policy: Currently, we expect all staff to be in one of our offices at least 25% of the time. However, some roles may require more time in our offices. Visa sponsorship: We do sponsor visas! However, we aren't able to successfully sponsor visas for every role and every candidate. But if we make you an offer, we will make every reasonable effort to get you a visa, and we retain an immigration lawyer to help with this. For roles performing work in California: We will consider for employment all qualified applicants, including those with arrest or conviction records or criminal histories, in a manner consistent with the requirements of applicable state and local laws, including the San Francisco Fair Chance Ordinance, the City of Los Angeles’ Fair Chance Initiative for Hiring Ordinance, the Los Angeles County Fair Chance Ordinance for Employers, and the California Fair Chance Act. We encourage you to apply even if you do not believe you meet every single qualification. Not all strong candidates will meet every single qualification as listed.  Research shows that people who identify as being from underrepresented groups are more prone to experiencing imposter syndrome and doubting the strength of their candidacy, so we urge you not to exclude yourself prematurely and to submit an application if you're interested in this work. We think AI systems like the ones we're building have enormous social and ethical implications. We think this makes representation even more important, and we strive to include a range of diverse perspectives on our team. Your safety matters to us. To protect yourself from potential scams, remember that Anthropic recruiters only contact you from @anthropic.com email addresses. In some cases, we may partner with vetted recruiting agencies who will identify themselves as working on behalf of Anthropic. Be cautious of emails from other domains. Legitimate Anthropic recruiters will never ask for money, fees, or banking information before your first day. If you're ever unsure about a communication, don't click any links—visit anthropic.com/careers directly for confirmed position openings. How we're different We believe that the highest-impact AI research will be big science. At Anthropic we work as a single cohesive team on just a few large-scale research efforts. And we value impact — advancing our long-term goals of steerable, trustworthy AI — rather than work on smaller and more specific puzzles. We view AI research as an empirical science, which has as much in common with physics and biology as with traditional efforts in computer science. We're an extremely collaborative group, and we host frequent research discussions to ensure that we are pursuing the highest-impact work at any given time. As such, we greatly value communication skills. The easiest way to understand our research directions is to read our recent research. This research continues many of the directions our team worked on prior to Anthropic, including: GPT-3, Circuit-Based Interpretability, Multimodal Neurons, Scaling Laws, AI & Compute, Concrete Problems in AI Safety, and Learning from Human Preferences. Come work with us! Anthropic is a public benefit corporation headquartered in San Francisco. We offer competitive compensation and benefits, optional equity donation matching, generous vacation and parental leave, flexible working hours, and a lovely office space in which to collaborate with colleagues. Guidance on Candidates' AI Usage: Learn about our policy for using AI in our application process.

Location: Prague Workplace: hybrid Filevine is a Legal AI company delivering Legal Operating Intelligence for the future of legal work. Grounded in a singular system of truth, Filevine brings together data, documents, workflows, and teams into one unified platform—where modern legal work happens with clarity and consistency. Powered by LOIS, the Legal Operating Intelligence System, Filevine connects context across every matter to transform legal operations from reactive to proactive. LOIS reads, understands, and reasons across your data to surface insight, automate complexity, and give professionals the clarity and confidence to see more, know more, and do more. Fueled by a team of exceptional collaborators and innovators, Filevine’s rapid growth has earned AI awards and recognition from Deloitte and Inc. as one of the most innovative and fastest-growing technology companies in the country. The Depo Intelligence team powers the AI behind Filevine's deposition product line. We deliver automated post-deposition transcript analysis, timelines, summaries, and witness impressions. Our latest product, Depo Copilot, assists attorneys during deposition preparation and delivers real-time insights during live proceedings. Additionally, our intelligent insights extend support to the Filevine Meetings and Notetaking apps. As the Tech Lead for Depo Intelligence, you will drive the technical direction of our AI systems. This is a hands-on machine learning role requiring strong software engineering skills. You will spend your time designing and building LLM pipelines and evaluations, as well as leading the team's architectural and design choices. You will collaborate closely with the team's Engineering Manager, who handles people management and delivery, allowing you to focus squarely on technical leadership. Key Responsibilities Own the technical vision and system architecture for machine learning workflows driving Depo Copilot, Depo Summaries, and the Meetings and Notetaking app. Architect and build LLM pipelines capable of reasoning over extensive case files and real-time transcripts, ensuring all outputs are fully grounded in source material. Determine optimal model strategies - evaluating when custom fine-tuning or trained models are required over prompt engineering - and lead implementation. Establish evaluation frameworks alongside our legal experts and annotators, creating custom datasets, rubrics, offline metrics, and release checks to proactively prevent regressions. Optimize pipeline efficiency, latency, and operational costs for live streaming analysis using strategic model selection, fallbacks, and precomputation. Transition prototypes into production-grade systems with typed contracts, test coverage, tracing, and observability, serving as technical lead for incident response during live proceedings. Author design documents, guide architectural decisions, and partner with Product, product engineering, speech recognition, and document retrieval teams to translate roadmap goals into actionable technical plans. Mentor machine learning engineers through detailed code reviews, pair programming, and design feedback while clearly communicating technical outcomes and tradeoffs to business stakeholders. Who are you? Minimum of 5 years of experience building production ML or software systems, including at least 3 years in machine learning roles with end-to-end project ownership. Proven track record of technical leadership, including conducting design reviews, setting architectural direction, and mentoring engineers. Strong background in NLP and production LLM systems, encompassing retrieval and grounding, long-context reasoning, structured outputs, evaluation, and mitigation of common failure modes. Experience designing evaluation frameworks for generative AI systems, including developing datasets and rubrics in collaboration with domain experts and annotators. Solid software engineering foundations, including API design, data modeling, distributed and asynchronous workflows, testing, and fault tolerance. Advanced proficiency in Python, alongside hands-on experience with PyTorch or other deep learning frameworks. Experience with real-time/streaming systems or legal domain NLP is a plus. Strong written and verbal communication skills in English, a collaborative team spirit, and an autonomous problem-solving mindset. Ability to meet periodically at our Prague or Bratislava office to support in-person collaboration. Our current stack primarily utilizes Python (DSPy, Pydantic, Temporal), PostgreSQL, Kubernetes, AWS, Google Cloud, and multi-provider LLMs; strong core engineering skills are prioritized over familiarity with specific tools or frameworks. Compensation starts at 190,000 CZK per month, with the final offer determined by the candidate’s seniority and experience. This opportunity is for independent contractors and is not intended to establish an employment relationship. Contractors are responsible for their own taxes and compliance with applicable laws in their jurisdiction. This role is open exclusively to candidates currently residing in, or willing to relocate to, Czechia or Slovakia with the legal right to work in these countries. Unfortunately, we are unable to consider applications from candidates based outside of these locations due to operational and regulatory requirements Privacy Policy Notice Filevine will handle your personal information according to what’s outlined in our Privacy Policy.

We are hiring ML inference and serving experts to turn real, paid tasks from their jobs into expert-level Terminal-Bench challenges. • Design expert-level Terminal-Bench tasks that turn real, paid ML inference work from your own experience into challenges an AI agent must solve end to end.

Ищем Tech Lead для руководства командой NLP-инженеров и backend-разработчиков, которая развивает платформу парсинга документов в банке. Специалист будет отвечать за техническое развитие продукта, архитектуру LLM/NLP-решений, управление бэклогом и качество реализации.

Location: Москва Workplace: Офис Мы создаём систему распознавания и прогнозирования для автономного транспорта. Чтобы ускорить её работу, используем алгоритмы машинного обучения — и их число постоянно растёт. Если вы увлекаетесь оптимизацией и распараллеливанием алгоритмов, хорошо знаете C++ и Python — ждём вас в команде! Мы ставим перед собой масштабную цель: оказаться в числе первых в мире компаний, создавших технологию автономного управления транспортом. Чтобы ускорить работу системы распознавания и прогнозирования и, как результат, научить автомобили и роботов-доставщиков ещё быстрее действовать в дорожных ситуациях, мы используем алгоритмы машинного обучения. Алгоритмы усложняются, их количество растёт, и наша задача — повысить эффективность их работы при ограниченных ресурсах. Если вы увлекаетесь оптимизацией и распараллеливанием алгоритмов, а каждый потреблённый оборудованием ватт готовы пустить в дело, то вам точно у нас понравится! Обязанности Повышение эффективности алгоритмов Вам предстоит оптимизировать алгоритмы, учитывая аппаратные особенности платформ, автоматизировать тестирование алгоритмов и их адаптацию к платформе. Работа с платформами для вычислений Вы будете исследовать современные платформы исполнения параллельных вычислений и подбирать оптимальную архитектуру параллельного исполнения алгоритмов на конкретной платформе. Больше о бэкенде в Яндексе — в канале Yandex for Backend Требования * Работали с PyTorch (или TensorFlow), конвертировали ML-модели в ONNX и запускали на TensorRT, ONNX Runtime, TFLite или любом другом фреймворке * Использовали CUDA/OpenCL, оптимизировали и распараллеливали вычисления на CUDA/OpenCL или других архитектурах ускорителей * Хорошо знаете C++, Python * Уверенно владеете классическими структурами данных и алгоритмами * Знакомы с линейной алгеброй, теорией вероятностей * Можете объяснять свои решения и отстаивать их перед оппонентами * Умеете работать в команде Будет плюсом * Решали прикладные задачи с помощью машинного обучения или Deep Learning * Писали кастомные плагины для ONNX, TensorRT или любого другого фреймворка с использованием C++, CUDA, OpenCL * Знакомы с методами сжатия, прунинга, квантизации нейросетей * Разбираетесь в дискретной математике и теории оптимизации * Хорошо знаете STL * Имеете опыт индустриальной разработки, не связанной с машинным обучением

Mistral is looking for an Applied Scientist Time Series to develop, train, deploy, and adapt time-series foundation models.

Figure’s Property Analytics team is seeking a Senior Applied Scientist to join us in our effort to reinvent real estate lending. You will be working alongside engineering, product, and business leaders to tackle complex research and machine learning problems related to automated valuation models (AVMs), asset valuation, and process optimization.

Location: Москва Может ли AI-агент сам выдвинуть гипотезу, поставить эксперимент и улучшить обучение языковой модели? В GigaChat Pretrain мы исследуем автоматизацию этого цикла: от выбора идеи и изменения кода до запуска экспериментов, анализа результатов и следующей попытки. Агент может искать новую архитектуру, подбирать рецепт обучения или оптимизировать GPU-ядра. За три месяца вы построите и исследуете такой цикл на выбранном классе задач. Цель - добиться измеримого улучшения и понять, что помогает агенту находить сильные решения. Обязанности Строить цикл «гипотеза → код → эксперимент → анализ → следующая гипотеза». Разрабатывать инструменты для агентов, экспериментировать с контекстом и стратегиями поиска. Проверять найденные улучшения: качество моделей, скорость обучения и воспроизводимость результатов. Требования * Уверенное владение Python и PyTorch. * Знакомство с распределенным обучением. * Умение отлаживать код, ставить эксперименты и разбираться в результатах. **Будет плюсом** * Собственные проекты с AI-агентами. * Опыт обучения языковых моделей. * Опыт с CUDA, Triton или оптимизацией GPU-вычислений.

Location: Москва Как сделать языковую модель качественнее при том же бюджете вычислений? В GigaChat Pretrain мы исследуем альтернативы стандартному вниманию: Gated DeltaNet, Kimi Delta Attention, Mamba и другие линейные и рекуррентные блоки. За три месяца вы разберёте перспективные подходы, выберете базовую архитектуру и проверите собственное изменение. Это исследовательская задача с неопределённым результатом: важно не только найти улучшение, но и понять, какие идеи работают, где и почему. Обязанности * Разбирать свежие статьи и выбирать перспективные идеи для экспериментов. * Реализовывать и менять линейные и рекуррентные блоки языковых моделей. * Сравнивать качество, скорость и расход памяти при сопоставимом бюджете вычислений. * Проводить абляции и выяснять, какие изменения стоит масштабировать. Требования * Уверенное владение Python и PyTorch. * Знакомство с распределённым обучением. * Понимание глубокого обучения и устройства Transformer. * Умение читать статьи, формулировать гипотезы и проверять их экспериментально. **Будет плюсом** * Собственный исследовательский проект. * Опыт обучения языковых моделей, работы с линейным вниманием или state-space моделями. * Опыт с CUDA, Triton или оптимизацией GPU-вычислений.

Location: Москва Можно ли изменить архитектуру уже обученной LLM и получить сильную модель дешевле, чем при обучении с нуля? В GigaChat Pretrain мы исследуем перенос обученных моделей в новые архитектуры: из dense в MoE, с добавлением экспертов и слоёв, изменением ширины или механизма внимания. За три месяца вы выберете одно направление, реализуете способ переноса весов и проверите, насколько быстро модель восстанавливает и улучшает качество. Главная метрика — сколько вычислений потребуется, чтобы достичь качества такой же архитектуры, обученной с нуля. Обязанности * Реализовывать методы переноса весов и адаптации модели к новой архитектуре. * Подбирать рецепт дообучения и сравнивать его с обучением с нуля. * Проверять собственные гипотезы, проводить абляции и оценивать экономию вычислений. Требования Что мы ждём * Уверенное владение Python и PyTorch. * Знакомство с распределённым обучением. * Понимание глубокого обучения и устройства Transformer. * Умение читать статьи и воспроизводить их результаты. **Будет плюсом** * Собственный исследовательский проект. * Опыт обучения языковых моделей, работы с MoE или дистилляцией. * Опыт изменения архитектур и переноса предобученных весов.

Location: Москва Готовим данные для GigaChat и GigaChat Vision — от pretrain с нуля до alignment. Собрали корпус на 15 триллионов токенов. Открыли [GigaChat 3.1 (702B)](https://huggingface.co/ai-sage/GigaChat3.1-702B-A36B) и [GigaChat 3.5 (432B)](https://huggingface.co/ai-sage/GigaChat3.5-432B-A28B). Опубликовали [статью на ACL](https://aclanthology.org/2025.acl-demo.10/); ещё две статьи проходят ревью на A\*-конференциях. У нас — сильная исследовательская команда, сложные задачи в LLM и мультимодальности и ресурсы для проверки новых идей. Чтобы познакомиться с работой команды Наши доклады: [Данные и инфраструктура GigaChat — HighLoad++ 2025](https://highload.ru/moscow/2025/abstracts/16850) [Качество данных и эксперименты — AiConf 2025](https://aiconf.ru/2025/abstracts/15853) [Синтетические задачи по программированию — AiConf 2026](https://aiconf.ru/2026/abstracts/17916) Как это делают другие команды: [NVIDIA Nemotron-CC](https://research.nvidia.com/labs/adlr/Nemotron-CC/) · [Hugging Face SmolLM3](https://huggingface.co/blog/smollm3) Обязанности * Улучшать pretrain-данные: обучать модели оценки качества, кластеризовать корпуса, подбирать смеси и измерять их влияние на качество модели. * Создавать alignment-данные для SFT и RL в разных доменах: инструкции, предпочтения и агентные траектории; разрабатывать среды, задачи и проверки для обучения работе с инструментами. * Генерировать синтетику для математики, кода и reasoning; проверять решения исполнением кода и моделями-судьями. * Исследовать density sampling, способы токенизации с упаковкой последовательностей, включая best-fit packing; проверять гипотезы в ablation-экспериментах. * Готовить датасеты для мультимодального обучения, включая interleaved-данные с чередованием текста и изображений. * Масштабировать обработку сотен миллиардов веб-документов и OCR миллиардов PDF; ускорять распределённые пайплайны и генерацию на GPU. Требования * Уверенный Python, алгоритмы и структуры данных; основы ML, линейной алгебры и вероятности. * Практику с PyTorch, NLP/CV или данными — учебные и личные проекты подходят. * Linux и Git, чтение статей на английском, умение проверять гипотезы и доводить задачи до результата. * Активное использование AI-агентов в работе. **Будет плюсом** * LLM/VLM, vLLM/SGLang, Spark/YTsaurus, C++/Rust; * исследовательские проекты, * ML-соревнования или олимпиадное программирование. Условия * MacBook M4 (с VPN), корпоративные подписки на AI-агентов. * 50 тысяч CPU и большое количество GPU для обработки данных, обучения и синтетики. * После успешной стажировки — переход в штат команды.

Location: Москва Модели распознавания речи чаще всего обучают на максимизацию правдоподобия идеальной транскрипции, а оценивают по количеству ошибок в распознанном тексте. Вы будете учить модель напрямую на недифференцируемую награду — сначала на Word Error Rate (WER), потом на точность редких слов из пользовательского словаря. Имена, термины и англицизмы — главный сорт ошибок в диктовке и голосовом ассистенте, а общий WER на них почти не реагирует. Пользовательский словарь — третий по частоте запрос пользователей наших открытых моделей Обязанности * Реализовывать on-policy обучение ASR-моделей с WER-подобной наградой * Добавлять контекстный биасинг: список слов в условие модели и награду * Сводить рецепт и переносить на продовый чекпоинт: сколько шагов, какая смесь, с какого момента деградирует общий WER Требования Уверенное владение python и pytorch Знакомство с распределенным обучением Знакомство с policy-gradient методами по статьям **Будет плюсом** * Опыт с verl, trl или любым другим RLHF-фреймворком * Опыт с vLLM или sglang * Любая практика с распознаванием речи, даже учебная

Задачи: — Разработка backend-сервисов на Python с использованием LLM и ML решений — Интеграция и автоматизация процессов с применением n8n и hermes ai — Работа с LLM: интеграция, prompt engineering, создание кастомных сценариев — Разработка и внедрение ML моделей — Интеграция внешних и внутренних API — Участие в разработке frontend-части на React и Django — Оптимизация и поддержка решений в продакшн Требования: — Уверенное владение Python и Git — Опыт интеграций и автоматизации с использованием n8n и HERMES AI — Знание API: REST/JSON, разработка и интеграция внешних сервисов, авторизация (OAuth, API keys) — Опыт работы с LLM: OpenAI, open-source модели, prompt engineering, PyTorch, TensorFlow, LQM — Навыки работы с React: компонентный подход, работа с API, верстка, управление состоянием приложения — Понимание RAG и основ машинного обучения — Опыт работы с Docker, CI/CD, MLOps, оптимизация inference, YOLO (Ultralytics), 1С

Location: Москва О команде Kandinsky разрабатывает собственные генеративные модели для изображений и видео. Сейчас мы собираем небольшую продуктовую команду, которая превращает эти технологии в пользовательские приложения. Работаем в стартаповом режиме: быстро проверяем гипотезы, запускаем прототипы и развиваем то, что работает. У нас есть собственные модели, вычислительная инфраструктура и возможность работать вместе с исследователями. Ищем ML-инженера, который возьмёт на себя ML-часть новых продуктов: от выбора подхода и первых экспериментов до стабильной работы решения в приложении. Для нас важны сильная инженерная база, самостоятельность и умение доводить эксперименты до практического результата. Нужен человек, который сможет получить задачу вроде «сделать качественную виртуальную примерку» или «ускорить обработку фотографии», самостоятельно разобраться в подходах, проверить гипотезы и предложить рабочее решение. Обязанности * Решать прикладные задачи генерации и редактирования изображений и видео, обработки фотографий и компьютерного зрения. * Находить и проверять подходящие модели, статьи и открытые реализации, быстро собирать рабочие прототипы. * Строить пайплайны из генеративных моделей, CV-компонентов, LLM и внешних API. * Работать над качеством результата: сохранением внешности и деталей, управляемостью редактирования, устранением артефактов. * Готовить тестовые наборы, сравнивать подходы и выстраивать воспроизводимую оценку качества. * Оптимизировать скорость, потребление памяти и стоимость обработки. * При необходимости адаптировать и дообучать готовые модели, готовить для этого данные. * Вместе с разработчиками внедрять решения в продукты и разбирать ошибки на реальных пользовательских примерах. * Активно использовать AI-агентов и автоматизацию в разработке и исследованиях. Требования * Уверенный Python и опыт работы с PyTorch. * Хорошее понимание основ машинного обучения и компьютерного зрения. * Практический опыт работы с моделями для изображений или видео. * Умение читать статьи, разбираться в чужом коде и воспроизводить результаты. * Навык постановки экспериментов: выбор данных, метрик и базовых решений для сравнения, анализ ошибок. * Понимание компромиссов между качеством, скоростью и стоимостью. * Опыт работы с Linux, Git и Docker. **Будет плюсом** * Опыт генерации и редактирования изображений, виртуальной примерки, обработки лиц или ретуши. * Дообучение генеративных моделей, работа с LoRA и подготовка датасетов. * ONNX Runtime, LiteRT/TFLite, квантизация и запуск моделей на CPU или мобильных устройствах. * Работа с мультимодальными моделями, агентными пайплайнами и автоматической оценкой результатов. * Опыт внедрения ML-решений в пользовательские продукты