Обязанности:

Разработка и исследование методов асинхронного обучения с подкреплением для улучшения качества reasoning-моделей
Эволюция подходов на основе SAC и PPO/GRPO для устойчивого обучения в условиях задержек между стратегиями, устаревших траекторий и разреженных вознаграждений
Создание прототипов и проведение экспериментов по curriculum learning для ускорения освоения сложных математических и программных задач
Анализ влияния low-bit представлений (FP8, INT8) на устойчивость и качество обучения
Разработка исследовательских пайплайнов и участие в создании фреймворка для асинхронного обучения больших моделей
Поддержка рабочего кода, регулярная валидация результатов, проведение сравнительных экспериментов.

Требования:

Обязательное наличие оконченного высшего технического образования
Уверенные знания статистики, дискретных структур, теории алгоритмов, аналитической геометрии
Уверенное владение языком Python, а также опыт работы с фреймворком PyTorch
Навыки разработки под Linux (Ubuntu) и опыт использование Docker в реальных проектах
Опыт применения RL для обучения языковых или reasoning-моделей
Понимание архитектуры и механизмов обучения больших языковых моделей
Свободное владение техническим английским языком.

Условия:

работа в ведущем техническом вузе страны, в городе Долгопрудный (рядом со станцией Новодачная МЦД-1 или 15 минут от метро Алтуфьево, Ховрино, Физтех);
оформление в соответствии с ТК РФ;
возможность бесплатного посещения бассейна и тренажерного зала;
в соответствии с ТК РФ работники сферы образования обязаны предоставить справку о наличии (отсутствии) судимости и (или) факта уголовного преследования, срок изготовления которой может быть до 30 дней, просим заранее позаботиться о её получении.

RL+NLP Разработчик

160 000 - 200 000 ₽