MLE Руководитель направления RL Efficiency (Lead)

MLE Руководитель направления RL Efficiency (Lead) Grade: Lead Salary: 650000-850000 RUB Skills: CUDA, Embedded Software, Hardware, Kubernetes, LLM, Market Research, Open Source, Python, PyTorch, Research, Training, Triton, VLLM, Data Scientist & Machine Learning Company URL: Description: Мы развиваем GigaChat и ищем сильного руководителя направления RL Efficiency. Это роль для человека, который возьмёт на себя эффективность всего RL-контура: обучающий цикл, rollout, reward-сигналы, взаимодействие с инференсом и инфраструктура под онлайн-эксперименты. Цель направления — сделать так, чтобы online RL / RLHF / RLVR-обучение GigaChat было максимально быстрым, стабильным и дешёвым: сократить time-to-feedback по экспериментам, поднять утилизацию кластера и упростить запуск новых RL-рецептов на масштабе. Нам нужен не просто менеджер, а сильный технический руководитель, способный глубоко погружаться в детали, самостоятельно собирать ключевые части решения и доводить идеи до реального ускорения RL-пайплайна. Чем предстоит заниматься Развивать направление RL Efficiency целиком Определять, как должно развиваться направление эффективности RL: какие места критичны на данный момент, как измерять прогресс и что в первую очередь ограничивает скорость экспериментов. Вести направление целиком: от постановки гипотез и плана работ до внедрения результатов в регулярный цикл обучения. Принимать решения о приоритетах между ускорением rollout, оптимизацией обучающего цикла, инфраструктурой и системой оценки качества. Ускорять цикл online RL Оптимизировать пайплайн online RL: генерация rollout'ов, сбор reward-сигналов, обновление весов модели, overlap-этапов. Выстраивать эффективное взаимодействие между обучающим контуром и инференс-движком (vLLM / SGLang / собственные решения), добиваясь высокой утилизации и низкой задержки. Работать с весами и KV-cache: быстрое обновление весов между итерациями, снижение overhead-синхронизаций, оптимизация памяти. Повышать стабильность больших RL-прогонов: контроль деградаций, автоматическое восстановление, диагностика сбоев. Развивать инфраструктуру под RL-эксперименты Развивать фреймворк обучения, поддерживающий RLHF / RLVR / PPO / GRPO / DPO и их вариации на масштабе. Делать так, чтобы новые RL-рецепты можно было быстро и безопасно запускать на больших моделях без ручной поддержки для каждого эксперимента. Обеспечивать воспроизводимость RL-экспериментов: версионирование данных, конфигов, чекпоинтов, reward-моделей. Писать ключевой код и оставаться сильным инженером Самостоятельно писать и дорабатывать критичные части RL-пайплайна. Профилировать обучение на всех уровнях стека и находить узкие места в rollout, обучении и коммуникациях. Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и взаимодействии с hardware. Руководить сильной технической командой Руководить командой инженеров по эффективности RL, задавать высокую планку по качеству решений и перфу. Помогать команде превращать исследовательские идеи в работающие решения, которые можно встроить в основной цикл RL-обучения. Удерживать баланс между глубиной оптимизаций, инженерной надёжностью и практическим результатом для модели. Для нас важно Отличное владение Python и PyTorch (DDP/FSDP, distributed training). Практический опыт с обучением LLM и понимание механики RL post-training: RLHF, RLVR, PPO / GRPO / DPO. Опыт оптимизации обучения и инференса LLM: профилирование, узкие места, параллелизм, mixed precision. Понимание архитектуры LLM: Transformer, attention (MHA/GQA/MLA), MoE и их влияние на rollout. Способность самостоятельно взять направление и довести его до результата: от постановки задач до внедрения в продакшн-RL. Опыт руководства сильной технической командой и готовность лично писать важные части системы руками. Будет плюсом Опыт работы с современными RL-стэками: verl, TRL или собственные решения. Опыт работы с large-scale inference (vLLM, SGLang, TRT-LLM) и оптимизацией генерации. Опыт написания CUDA / Triton ядер и понимание особенностей NVIDIA GPU. Понимание коммуникационного стека больших обучений: NCCL, NVSHMEM, RDMA/IB. Опыт работы с кластерными системами: Slurm, Kubernetes, Ray или собственные оркестраторы. Публикации, open-source вклад или сильный прикладной research track record. Что предлагаем Сильные и сложные задачи на переднем крае развития русскоязычных LLM. Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели. Команду сильных инженеров и исследователей. Возможность совмещать управление направлением с глубокой технической работой. Конкурентную компенсацию, премии и расширенный соцпакет. 17:["$","$L18",null,{"initialState":{"status":"anonymous"},"children":[["$","$L19",null,{}],["$","main",null,{"children":["$","$L1a",null,{"vacancySlug":"35041-mle-rukovoditel-napravleniia-rl-efficiency-lead","initialVacancy":{"published_at":"2026-06-30T06:00:34.897396","is_active":true,"position":"MLE Руководитель направления RL Efficiency (Lead)","language":"ru","type":"web_and_tg","id":35041,"offer_type":"vacancy","cover_letter_required":false,"cover_letter_placeholder":null,"source":"manual","incognito_publication":false,"analytics_id":"3QYb6YlV","salary_description":"650 000 —‍ 850 000 ₽/‍мес на руки","salary_hidden":false,"salary_display_from":650000,"salary_display_to":850000,"salary_currency":"RUB","salary_taxes":"net","salary_is_total":false,"salary_by_our_version":false,"salary_hidden_variant":null,"offer_description":"Что делать: Развивать направление RL Efficiency целиком, определять критичные узкие места и критерии прогресса, вести направление от гипотез до внедрения результатов в цикл обучения.\n\nО компании: Сбербанк — крупнейший банк в России, Центральной и Восточной Европе, один из ведущих международных финансовых институтов.","skills_objects":[{"name":"CUDA","slug":"cuda","is_custom":false},{"name":"Embedded Software","slug":"embedded software","is_custom":false},{"name":"Hardware","slug":"hardware","is_custom":false},{"name":"Kubernetes","slug":"kubernetes","is_custom":false},{"name":"LLM","slug":"llm","is_custom":false},{"name":"Market Research","slug":"market research","is_custom":false},{"name":"Open Source","slug":"open source","is_custom":false},{"name":"Python","slug":"python","is_custom":false},{"name":"PyTorch","slug":"pytorch","is_custom":false},{"name":"Research","slug":"research","is_custom":false},{"name":"Training","slug":"training","is_custom":false},{"name":"Triton","slug":"triton","is_custom":false},{"name":"VLLM","slug":"vllm","is_custom":false}],"url":"/vacancies/35041-mle-rukovoditel-napravleniia-rl-efficiency-lead","description_html":null,"english_level":null,"location_requirements":[{"location_id":"russia","format":"remote","exclude":false,"ancestors":["russia","_cu-europe","_cu-emea","_cu-world"],"metros":[],"city":"","country":"Россия"}],"location_items":[{"label":"Россия","format":"remote","exclude":false}],"application":null,"viewed":false,"company":{"id":null,"name":"Сбер","logotype":"8f5d6d49-bb76-4250-9aa9-267e36fc5273.png","salary_hidden_variant":null,"url":"/companies/GNRXrNQz-sber","industry":"Банки / Финтех","post_to_job_aggregators":true,"investments":"","size":"1001+","short_description":"Сбербанк — крупнейший банк в России, Центральной и Восточной Европе, один из ведущих международных финансовых институтов. Самый дорогой российский бренд и самый сильный банковский бренд в мире по версии Brand Finance. "},"one_day_offer_content":null,"one_day_offer_content_v3":null,"specialization":"Data Scientist & Machine Learning","seniorities":["lead"],"team_size":null,"stack_description":"","short_description":"","description":"$1b","is_form_my_company":null,"is_my":null,"required_years_of_experience":null,"og":{"title":"Вакансия MLE Руководитель направления RL Efficiency (Lead), работа в Сбер, удалённо — ge