Стажёр ML Engineer — GigaChat Data

Готовим данные для GigaChat и GigaChat Vision — от pretrain с нуля до alignment. Собрали корпус на 15 триллионов токенов. Открыли [GigaChat 3.1 (702B)]([контакты и ссылка отклика — после бесплатной регистрации] и [GigaChat 3.5 (432B)]([контакты и ссылка отклика — после бесплатной регистрации] Опубликовали [статью на ACL]([контакты и ссылка отклика — после бесплатной регистрации] 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]([контакты и ссылка отклика — после бесплатной регистрации]

[Качество данных и эксперименты — AiConf 2025]([контакты и ссылка отклика — после бесплатной регистрации]

[Синтетические задачи по программированию — AiConf 2026]([контакты и ссылка отклика — после бесплатной регистрации]

Как это делают другие команды: [NVIDIA Nemotron-CC]([контакты и ссылка отклика — после бесплатной регистрации] · [Hugging Face SmolLM3]([контакты и ссылка отклика — после бесплатной регистрации]

* 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.

* 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.

* 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.