СберMiddle+ AI Engineer (Native Omnimodality & VLA)
Москва
Команда разрабатывает нативные омнимодальные архитектуры и VLA-подходы для работы с изображениями, аудио, видео и текстом. Роль фокусируется на создании универсальных энкодеров, shared latent spaces и обучении масштабных мультимодальных моделей для приложений embodied AI и стриминга роботам.
ГрейдMiddle/Senior
Стек
PythonPyTorchDockerDVCgitbash
Задачи
- •Разработка новых мультимодальных представлений и схем кодирования (vision, audio, video, text)
- •Создание универсальных энкодеров и shared latent spaces
- •Проектирование Vision-Language-Action (VLA) архитектур и стрим-взаимодействия с роботами
- •Исследование и обучение end-to-end омнимодальных моделей на масштабных мультимодальных датасетах
Обязательно
- •Отличный Python 3
- •Опыт с PyTorch
- •Опыт работы с vision, audio и video моделями
- •Глубокое понимание representation learning и multimodal learning
- •Понимание трансформеров, contrastive learning и joint embeddings
- •Навыки работы с bash, git, Docker и dvc
- •Умение быстро разбирать и воспроизводить идеи из научных статей
Будет плюсом
- •Опыт с VLA / Embodied AI / Robotics
- •Знание self-supervised и multimodal pretraining подходов
- •Опыт работы с streaming video/audio
- •Публикации, вклад в open-source или исследовательский опыт
