Research Engineer (Materials Foundation Models)

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Research Engineer в CuspAI для обучения и оценки foundation-моделей в платформе поиска новых материалов. Работа с мультимодальными данными (кристаллические структуры, свойства, текст, изображения), fine-tuning LLM и масштабное распределённое обучение.

Задачи

• Проектировать и проводить эксперименты: scaling studies, ablations и оценки модельных решений
• Обучать мультимодальные foundation-модели в параллельном режиме на сотнях GPU и терабайтах данных
• Применять лучшие практики software engineering для масштабируемости и надёжности систем
• Отвечать за курирование данных и дизайн оценки моделей
• Работать в тесной связке с химиками и материаловедами, интегрируя вычислительные и экспериментальные процессы
• Осваивать технический словарь материаловедения и экспериментальной химии

Требования

• Сильные навыки software engineering и опыт построения сложных высоконагруженных систем в продакшене
• Практический опыт обучения или оценки больших моделей в распределённой среде
• Глубина хотя бы в одном направлении: крупномасштабное vision/representation learning, pre-training или post-training LLM, reinforcement learning
• Глубокий интерес к связи AI и материаловедения или химии
• Магистратура или PhD в CS, ML или смежной количественной области либо эквивалентный опыт
• Опыт representation learning и computer vision (self-supervised или contrastive pre-training, эмбеддинги, извлечение структурированной информации из изображений)

Условия

• Конкурентная зарплата
• Опцион/equity в CuspAI
• 28 дней отпуска (DE, NL, UK) или 21 день (JP, SG, US) плюс местные праздники
• Родительский отпуск: 26 недель основному опекуну и 12 недель второму с полной оплатой
• Бюджет на профессиональное развитие
• Гибридный формат: три дня в неделю в офисе
• Возможные командировки в другие офисы

Навыки

• Python
• PyTorch
• LLM fine-tuning
• SFT
• RL
• RLHF
• GRPO
• representation learning
• computer vision
• self-supervised learning
• contrastive learning
• multi-modal training
• distributed training
• GPU