О команде
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.
О роли
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.
Будет плюсом
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
