🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Data Scientist в GigaChat Pretrain Data
💰 Вилка 250–450К гросс + годовая премия 3–6 окладов, ищем мидл/мидл+.
Мы готовим pretrain-данные для GigaChat и GigaChat Vision. Данных много. Очень много (40+ Пб сырого хаоса). Если хочется не просто тренировать модели, а копаться в реально больших данных, то вот твой шанс.
🎥 Вайб задач можно почувствовать тут:
Видео | DataComp-LM | Phi-4
Чем предстоит заниматься?
🔥 Чистить данные по узким доменам (аниме, игры, сериалы, книги, фильмы) → LLM-парсинг + Code Execution Feedback.
🔥 Делать пайплайны для экспериментов (модели 400M – 32B), всё красиво в wandb.
🔥 Фильтровать данные так, чтобы метрики росли.
🔥 Доставать из книг задачи по математике → сиды для синтетики.
🔥 Генерить синтетические данные → на тысячах GPU.
🔥 Разбираться с токенизацией → сколько букв "r" в "strawberry"?
🔥 Кластеризовать данные → чистим данные от мусора, прежде чем модель начнёт верить в астрологию.
🔥 Писать дедупликацию на Rust → миллиарды документов, но не за O(n²).
🔥 Оптимизировать MapReduce → Spark, тысячи ядер (опыт с YTsaurus - плюс).
🔥 Эксперименты с SFT и RL → DPO, DRPO, увеличиваем качество синтетики.
Кого ищем?
✅ ШАД / ФКН / ФПМИ или NLP-опыт 2+ года.
✅ Дотаскивать задачи до DOD, а не «ну, оно работает… вроде».
Что по условиям?
🚀 Железа больше, чем у конкурентов (правда).
🏢 Гибрид: 2 дня в офисе (Кутузовская), 3 дня удалёнка.
💪 Спортзал, зоны отдыха — отдохни после дедупликации.
🏥 ДМС с первого дня + льготное страхование для семьи.
📈 Пересмотр ЗП по perf review.
💬 Пиши, если хочешь работать с настоящими большими данными.
tg: @moonl_ai