NLP Engineer (GigaChat)

Мы - команда GigaChat Pretrain Data, готовим pretrain данные для GigaChat и GigaChat Vision. Данных много. Очень много (40+ Пб сырого хаоса). Если хочется не просто тренировать модели, а работать с реально большими данными, то вот твой шанс :)

Обязанности

• чистить данные по узким доменам (аниме, игры, сериалы, книги, фильмы) → LLM-парсинг + Code Execution Feedback
• делать пайплайны для экспериментов (модели 400M – 32B), всё красиво в wandb
• фильтровать данные так, чтобы метрики росли
• доставать из книг задачи по математике → сиды для синтетики
• генерить синтетические данные → на тысячах GPU
• разбираться с токенизацией → сколько букв "r" в "strawberry"?
• кластеризовать данные → чистим данные от мусора, прежде чем модель начнёт верить в астрологию
• писать дедупликацию на Rust → миллиарды документов, но не за O(n²)
• оптимизировать MapReduce → Spark, тысячи ядер (опыт с YTsaurus - плюс)
• экспериментировать с SFT и RL → DPO, DRPO, увеличиваем качество синтетики.

Требования

• выпускник ШАД/ ВШЭ Факультета компьютерных наук/ МФТИ Факультета инноваций и высоких технологий и/или имеешь коммерческий релевантный опыт в роли NLP Engineer от двух лет.

Условия

• комфортный современный офис рядом с м. Кутузовская
• гибридный формат работы (2 дня в офисе, 3 дня на удалёнке)
• ежегодный пересмотр зарплаты, годовая премия
• корпоративный спортзал и зоны отдыха
• система обучения для профессионального и карьерного развития
• расширенный полис ДМС с первого дня работы и страхование для семьи
• льготная программа ипотеки для сотрудников
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.