Обязанности:
- Разработка и улучшение пайплайна LLM post-training: SFT, preference optimization, Offline / Online RL.
- Улучшение instruction following и построение системы benchmarking / evaluation.
- Обучение LoRA / QLoRA-адаптеров под различные домены и задачи.
- Работа с reward models / verifiers и reward functions для RL.