
Готовим данные для GigaChat и GigaChat Vision — от pretrain с нуля до alignment. Собрали корпус на 15 триллионов токенов. Открыли GigaChat 3.1 (702B) и GigaChat 3.5 (432B) . Опубликовали статью на ACL ; ещё две статьи проходят ревью на A*-…
Готовим данные для GigaChat и GigaChat Vision — от pretrain с нуля до alignment. Собрали корпус на 15 триллионов токенов. Открыли GigaChat 3.1 (702B) и GigaChat 3.5 (432B). Опубликовали статью на ACL; ещё две статьи проходят ревью на A*-конференциях.
У нас — сильная исследовательская команда, сложные задачи в LLM и мультимодальности и ресурсы для проверки новых идей.
Чтобы познакомиться с работой команды
Наши доклады:
Данные и инфраструктура GigaChat — HighLoad++ 2025
Качество данных и эксперименты — AiConf 2025
Синтетические задачи по программированию — AiConf 2026
Как это делают другие команды: NVIDIA Nemotron-CC · Hugging Face SmolLM3
Улучшать pretrain-данные: обучать модели оценки качества, кластеризовать корпуса, подбирать смеси и измерять их влияние на качество модели.
Создавать alignment-данные для SFT и RL в разных доменах: инструкции, предпочтения и агентные траектории; разрабатывать среды, задачи и проверки для обучения работе с инструментами.
Генерировать синтетику для математики, кода и reasoning; проверять решения исполнением кода и моделями-судьями.
Исследовать density sampling, способы токенизации с упаковкой последовательностей, включая best-fit packing; проверять гипотезы в ablation-экспериментах.
Готовить датасеты для мультимодального обучения, включая interleaved-данные с чередованием текста и изображений.
Масштабировать обработку сотен миллиардов веб-документов и OCR миллиардов PDF; ускорять распределённые пайплайны и генерацию на GPU.
Уверенный Python, алгоритмы и структуры данных; основы ML, линейной алгебры и вероятности.
Практику с PyTorch, NLP/CV или данными — учебные и личные проекты подходят.
Linux и Git, чтение статей на английском, умение проверять гипотезы и доводить задачи до результата.
Активное использование AI-агентов в работе.
Будет плюсом
LLM/VLM, vLLM/SGLang, Spark/YTsaurus, C++/Rust;
исследовательские проекты,
ML-соревнования или олимпиадное программирование.
MacBook M4 (с VPN), корпоративные подписки на AI-агентов.
50 тысяч CPU и большое количество GPU для обработки данных, обучения и синтетики.
После успешной стажировки — переход в штат команды.
HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.