Research engineer in robotics

В Центре робототехники Сбера мы разрабатываем модели, которые позволяют роботам понимать окружающий мир, выполнять инструкции и решать задачи в реальных условиях. Мы работаем над Vision-Language-Action (VLA) и World Action Models (WAM), объединяя обучение на изображениях, видео, языке и робототехнических данных.

• разрабатывать и обучать VLA/WAM-модели для понимания сцен и инструкций, предсказания динамики окружающего мира и генерации действий робота
• развивать методы предобучения на разнородных данных: изображениях, видео, текстах, демонстрациях и траекториях роботов
• дообучать и адаптировать модели под новые задачи, объекты, условия и робототехнические платформы
• исследовать архитектуры, представления действий и функции потерь, включая transformer-, autoregressive- и diffusion/flow matching-подходы
• формировать смеси обучающих данных, выбирать стратегии семплирования и исследовать влияние качества, объёма и состава данных на способности моделей
• разрабатывать и оптимизировать пайплайны распределённого обучения на GPU-кластерах: повышать стабильность обучения, эффективность вычислений и использования памяти
• проводить воспроизводимые эксперименты и абляционные исследования, анализировать динамику обучения и причины ошибок
• разрабатывать методики оценки моделей: измерять качество предсказаний и действий, успешность выполнения задач, устойчивость и перенос на новые условия
• совместно с командами робототехники и инфраструктуры интегрировать модели в контур управления и проверять их на реальных роботах
• формировать рекомендации по сбору дополнительных данных и улучшению обучающих выборок на основе результатов экспериментов и испытаний.

• опыт разработки и обучения современных DL-моделей в одной или нескольких областях: computer vision, video understanding/generation, multimodal learning, LLM/VLM или robot learning
• уверенное владение Python и PyTorch
• хорошее понимание современных нейросетевых архитектур, прежде всего transformers, методов оптимизации и принципов обучения на последовательностях
• практический опыт pretraining или finetuning моделей: подготовка данных, выбор функций потерь, настройка обучения, оценка качества и анализ ошибок
• опыт работы с большими датасетами и эффективными пайплайнами загрузки и обработки данных
• опыт обучения моделей на нескольких GPU и понимание принципов распределённого обучения
• умение ставить исследовательские гипотезы, планировать эксперименты и делать обоснованные выводы по их результатам
• умение писать поддерживаемый и воспроизводимый код, работать с Git и инструментами отслеживания экспериментов
• способность читать научные статьи и реализовывать перспективные подходы
• самостоятельность и готовность доводить исследовательскую идею до работающей модели совместно со смежными командами.
• Будет плюсом: опыт работы с VLA, world models, action-conditioned video models или другими моделями для embodied AI; опыт обучения политик по демонстрациям: imitation learning, behavior cloning, diffusion policies; опыт с diffusion, flow matching, авторегрессионной генерацией видео и моделированием пространственно-временной динамики; опыт мультимодального предобучения, self-supervised learning или обучения на эгоцентрическом видео; опыт переноса моделей между робототехническими платформами и работы с разными представлениями действий; опыт reinforcement learning, offline RL или улучшения политик на основе обратной связи и результатов выполнения задач; опыт масштабирования обучения на нескольких узлах, работы с FSDP, DeepSpeed, Megatron или аналогичными инструментами; опыт исследования scaling laws, оптимизации смесей данных и планирования экспериментов при ограниченном вычислительном бюджете; опыт запуска моделей на реальных роботах, анализа неудачных действий и оптимизации инференса; публикации, открытые проекты или воспроизводимые исследовательские результаты в ML, computer vision или робототехнике; навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом; опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов; инструментальное владение AI для анализа, генерации и автоматизации

• офисный формат работы, адрес офиса Автозаводская 23а к2
• ежегодный пересмотр зарплаты, квартальная и годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• программа адаптации и помощь руководителя на старте
• 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
• вознаграждение за рекомендацию друзей в команду Сбера.