AI Researcher - Fully Remote | Upto $120/hr

О позиции

Mercor связывает элитных технических специалистов с ведущими лабораториями по исследованию ИИ. Вакансия для учёного по языковым моделям с фокусом на предобучение, компьютерное зрение и устойчивость к состязательным атакам. Работа удалённая, контрактная форма занятости.

Чем заниматься

• Тренировать классификаторы изображений и генеративные модели изображений с нуля.
• Дорабатывать открытые языковые модели.
• Оптимизировать модели для ограниченных бюджетов данных, вычислительных ресурсов и размера моделей.
• Повышать устойчивость моделей к состязательным входам и диалогам.
• Сжимать модели для соответствия ограничениям по размеру и задержкам без потери точности.
• Выявлять и устранять проблемы во время тренировки для улучшения производительности моделей.

Что ждут

• 3+ года опыта в исследованиях машинного обучения (PhD-исследования засчитываются).
• Сильный опыт работы с PyTorch, JAX, TensorFlow или аналогичными ML-фреймворками.
• Диплом из топ-100 университетов, опыт в FAANG или аналогичной AI-компании, либо сопоставимый исследовательский портфолио (публикации или значимые open-source вклады).

Будет плюсом

• Опыт в области устойчивости к состязательным атакам и эффективного компьютерного зрения.
• Знание генеративного моделирования изображений и пост-обучения языковых моделей и поведенческой устойчивости.
• Опыт в многоязычном предобучении, а также знание scaling laws и curriculum learning.

Условия

• Удалённая работа из любой точки мира.
• Конкурентная компенсация ($100–$120 в час).
• Работа с передовыми лабораториями искусственного интеллекта.
• Гибкий график для проектной занятости.

Навыки

• PyTorch
• JAX
• TensorFlow
• machine_learning
• computer_vision
• generative_models
• large_language_models
• adversarial_robustness
• model_compression
• efficient_deployment

Могут спросить на собеседовании

1. Расскажите о вашем опыте тренировки моделей с нуля — какие задачи вы решали и с какими сложностями столкнулись?
2. Какой фреймворк вы предпочитаете для исследований и почему? Приведите примеры работ, где это имело значение.
3. Что вы знаете об устойчивости к состязательным атакам? Делились ли опытом таких решений?
4. Как вы оптимизируете модели под ограничения по памяти и скорости вывода? Какие техники применяли?