ЯндексSenior ML Researcher/Engineer (World Models & RL) в команду робота доставки
гибрид
Core-команда, которая строит End-to-End world models и обучает model-based RL для реального робота доставки; задача — создавать масштабируемые латентные симуляции и переводить ресёрч-модели в real-time инференс на edge, чтобы улучшать безопасность и манёвренность флота
ГрейдSenior
Стек
PythonJAXPyTorchCUDATransformersDiffusionFlow MatchingDiTTensorRTONNXC++FSDPMegatron-LMFP8
Задачи
- •Проектирование и обучение масштабных 3D/видео-токенизаторов и world models
- •Оркестрация и оптимизация мульти‑нодового распределённого обучения тяжёлых моделей
- •Обучение MBRL-политик внутри латентной симуляции и повышение sample efficiency
- •Интеграция вспомогательных лоссов для 3D-детекции, сегментации и трекинга для семантического граундинга
- •Разработка safety‑контура и оптимизация real-time инференса на edge‑устройствах
Обязательно
- •Экспертный опыт с JAX и PyTorch, включая SPMD, multi-host JAX и XLA
- •Опыт масштабного распределённого обучения на мультинодовых кластерах (FSDP, принципы Megatron-LM, 3D parallelism)
- •Глубокая математическая и ML‑база: непрерывные генеративные модели и Deep RL (Diffusion, Flow Matching, Actor‑Critic, MBRL)
- •Навыки написания оптимизированного performant кода и доведения ресёрча до продакшна с требованиями real‑time
- •Опыт работы с масштабными трансформерными архитектурами и оптимизацией обучения
Будет плюсом
- •Опыт с Vision Foundation Models, генеративными видео-/image-моделями и синтезом лидарных облаков
- •Опыт RL в контексте LLM или широкомасштабного RL
- •Опыт продвинутой квантизации и оптимизации моделей для edge (FP8, W4A8, INT4, PTQ/QAT)
- •Оптимизация инференса на борту робота (C++, TensorRT, ONNX, CUDA)
- •Бэкграунд в Autonomous Driving, Motion Planning или Robotics
