О команде
Наша команда обучает собственные базовые LLM и внедряет их в бизнес-сценарии Авито. Цель команды — обеспечить продукты моделями, которые подходят по качеству ответов и стоимости применения.
Мы адаптируем open source-решения под русский язык и доменную специфику Авито с помощью continual pre-training и подмены токенизатора. Для развития моделей команда исследует новые методы, пайплайны, включая RL и синтетические данные, а также датасеты. Мы проводим регулярные LLM-семинары, где разбираем статьи и AI-тренды.
Технический фокус команды — построение масштабируемого пайплайна для претрейна и дообучения LLM, а также оптимизация инференса: работа с современными движками, квантованием, speculative decoding и другими методами ускорения.
Обязанности
- формулировать и проверять гипотезы в области претрейна, continual pre-training, post-training, RL, синтетических данных и архитектур моделей;
- самостоятельно вести сложные исследовательские и инженерные задачи: от постановки цели, выбора метрик и дизайна экспериментов до реализации, анализа результатов и внедрения;
- масштабировать обучение и инференс: профилировать узкие места, повышать эффективность распределённого обучения и инференса, работать с квантованием, speculative decoding и современными inference-движками;
- строить надёжные процедуры оценки качества, проводить анализ ошибок, находить регрессии и проектировать датасеты и метрики для сравнения моделей по качеству, latency и стоимости;
- писать продакшен-код на Python и PyTorch, проводить code review, улучшать воспроизводимость экспериментов, надёжность и поддерживаемость ML-решений;
- делиться знаниями, менторить менее опытных коллег, участвовать в архитектурных обсуждениях и внутренних LLM-семинарах. Роль не предполагает обязательного управления командой;
- масштабировать базовую модель A-vibe: исследовать новые архитектуры и подходы к обучению;
- оптимизировать скорость и стоимость инференса высоконагруженных моделей в продакшене;
- проектировать и помогать разрабатывать внутренние LLM-платформы и мультиагентные системы;
- строить надёжную инфраструктуру для оценки качества моделей.
Требования
- имеете не менее 3 лет опыта реализации и эксплуатации ML-решений;
- глубоко понимаете современные ML-алгоритмы, Transformer и принципы обучения LLM;
- имеете практический опыт обучения, адаптации или внедрения NLP-моделей и умеете превращать идеи в проверяемые эксперименты;
- умеете самостоятельно работать с неопределённостью: декомпозировать проблему, выбирать метрики, анализировать результаты и принимать технические решения;
- уверенно пишете на Python, хорошо знаете PyTorch и инженерные практики разработки;
- понимаете компромиссы между качеством, latency, throughput и стоимостью и учитываете их при выборе решения.
Будет плюсом
- работали с continual pre-training, заменой или расширением токенизатора, SFT, LoRA либо RL-подходами к post-training;
- имеете опыт распределённого обучения или оптимизации инференса и знакомы с такими инструментами, как DeepSpeed, vLLM, SGLang или TensorRT-LLM;
- строили пайплайны оценки качества, синтетические датасеты или системы автоматической оценки.