ML Research Engineer – Image & Video Generation (Модельные риски генеративных моделей)

Мы занимаемся независимой оценкой качества и модельных рисков Kandinsky – семейства генеративных моделей для создания и редактирования изображений, видео и аудиовизуального контента, а также моделей мира (world models).

Наша задача – находить слабые места моделей, проверять выбранные подходы к оценке и готовить рекомендации, которые помогают принимать решения о релизе и возможных сценариях применения моделей.

Мы работаем с новыми версиями Kandinsky до их выхода к пользователям. Разрабатываем собственные методологии, бенчмарки и инструменты полного цикла, объединяя автоматические метрики, human evaluation и подходы LLM/VLM-as-a-judge.

Мы ищем специалиста на стыке исследований и инженерной разработки.

В этой работе не всегда существует готовая методология или универсальная метрика. Нужно определить, из чего складывается качество модели, спроектировать проверяемый эксперимент и реализовать воспроизводимый evaluation-пайплайн.

Роль охватывает весь цикл оценки: от формулирования критериев и подготовки тестовых данных до анализа результатов и рекомендаций для команды разработки. Важно не только измерить качество модели, но и понять, насколько она подходит для реальных пользовательских и бизнес-сценариев, какие ограничения критичны и что осталось непроверенным.

Обязанности

Проектировать оценку с нуля

• декомпозировать качество на измеримые критерии и собирать под них тестовые сценарии, промпты и выборки
• проектировать оценку там, где готовой методологии ещё нет.

Разрабатывать evaluation-пайплайны

• реализовывать на Python инструменты для запуска моделей, сбора результатов и расчёта метрик
• обеспечивать воспроизводимость экспериментов и развивать внутреннюю библиотеку оценки
• готовить инструкции для асессоров и контролировать качество разметки.

Строить VLM-as-a-judge

• разрабатывать судей под конкретные критерии, учитывать их bias и ограничения
• понимать, где автоматическая оценка работает, а где без человека нельзя.

Разбираться в ошибках моделей

• понимать ограничения diffusion-моделей и причины типовых артефактов
• отличать реальную проблему модели от ошибки методологии или замера.

Формировать заключение по модельному риску

• анализировать качество по отдельным сценариям, типам промптов и срезам, а не только по среднему значению
• формулировать условия релиза, ограничения и явно фиксировать то, что осталось непроверенным.

Требования

Хорошее понимание устройства генеративных моделей:

• понимание принципов работы Transformers, diffusion- и мультимодальных моделей и основных задач: T2I, Image Editing, T2V, Audio, Video-Audio.;
• понимание типовых ограничений, ошибок и артефактов моделей; способность разбираться в причинах ошибок и способах их проверки.

Способность проектировать оценку качества моделей:

• декомпозировать качество на измеримые критерии и проектировать тестовые сценарии, промпты и выборки.
• выбирать корректный подход к оценке: human evaluation, автоматические метрики, LLM/VLM-as-a-judge, а также подходящие модели для сравнения;
• проверять валидность метрик и уметь проектировать оценку для новых задач и модальностей, где ещё нет готовой методологии.

Навыки работы с LLM и VLM:

• prompt engineering, structured output, tool calling и работа с контекстом и ограничениями моделей;
• построение и валидация LLM/VLM-as-a-judge, включая проверку автоматической оценки относительно человеческой;
• понимание нестабильности, bias и галлюцинаций моделей; умение подбирать модель под конкретную исследовательскую задачу.

Понимание AI-агентов и агентных систем:

• понимать, чем агент отличается от обычного вызова LLM;
• знать основные компоненты агентной системы: роли, инструменты, контекст, память и оркестрация;
• понимать, когда агентный подход действительно полезен, а когда создаёт лишнюю сложность;
• уметь оценивать надёжность и ограничения агентных решений.

Умение проводить технический и научный ресерч:

• находить и критически разбирать актуальные статьи, бенчмарки, модели и реализации;
• сравнивать решения с актуальными подходами и оценивать достоверность результатов;
• переводить ресерч в конкретные идеи для тестирования и развития внутренних подходов.

Умение работать с агентами и субагентами:

• декомпозировать задачи между агентами, задавая им чёткие роли и зоны ответственности;
• управлять контекстом и изоляцией субагентов, организовывать проверку результатов;
• собирать результаты нескольких агентов в единое решение и критически оценивать их выводы.

Навыки вайбкодинга и AI-assisted coding:

• уверенно работать с Codex, Claude Code и другими coding-агентами
• проверять и дорабатывать сгенерированный код, использовать агентов для тестирования;
• понимать архитектуру создаваемого решения

Продуктовое мышление:

• связывать тестирование с реальными пользовательскими сценариями и понимать, какие ошибки критичны для продукта;
• приоритизировать направления проверки и переводить результаты оценки в рекомендации для разработки;
• понимать влияние результатов на релиз и дальнейшее развитие модели.

Дополнительный релевантный опыт:

• оценка Image, Video, Audio и мультимодальных моделей; разработка собственных бенчмарков и методологий;
• работа с асессорами, большими массивами пользовательских запросов и построение аналитических пайплайнов/отчётов;
• понимание GPU-инфраструктуры и инференса; практический опыт построения multi-agent систем.

Условия

• комфортный современный офис рядом с м. Кутузовская
• возможность выбрать удобный график - офис / гибрид
• ежегодный пересмотр зарплаты и годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• подписка Прайм с возможностью совместного использования на трёх близких
• скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера