Specjalista / Specjalistka AI/ML badania nad modelami językowymi (LLM)
⚲ Nowy Sącz
12 500–14 500 zł brutto / mies.
Wymagania
- wykształcenie wyższe techniczne (min. licencjat/inżynier); magister preferowany
- Python na poziomie zawodowym (czysty, testowalny kod, typowanie, profilowanie)
- praktyczna znajomość PyTorch (pętla treningowa, autograd, hooki, praca na GPU z CUDA)
- znajomość architektury Transformer od wewnątrz
- doświadczenie z Hugging Face Transformers i modelami 7–8B
- umiejętność optymalizacji przy ograniczonych zasobach (kwantyzacja, zarządzanie VRAM i KV cache)
- samodzielnie przeprowadzony pełny cykl badawczy (hipoteza → eksperyment → analiza → raport)
Mile widziane
- studia doktoranckie w toku lub ukończone
Opis stanowiska
Paradigmind prowadzi badania nad modelami językowymi (LLM) i szuka specjalisty AI/ML do pracy z architekturą Transformer, PyTorch i Hugging Face na modelach klasy 7–8B. Będziesz projektować i prowadzić eksperymenty badawcze, analizować stany ukryte, optymalizować inferencję przy ograniczonych zasobach GPU i dbać o odtwarzalność wyników. To rola dla kogoś, kto chce rozumieć, co dzieje się wewnątrz modelu, a nie tylko go uruchamiać. Uwaga: preferowany magister, a studia doktoranckie to istotny atut — bez mocnego portfolio technicznego brak ukończonych studiów może być barierą.
🔍 Dekoder Ogłoszenia
🔴
preferujemy stopień magistra; studia doktoranckie w toku lub ukończone to istotny atut
Chociaż magisterka jest mile widziana, doktorat może być kluczowy, jeśli nie masz bardzo mocnego portfolio.
🔴
Studia magisterskie w trakcie akceptujemy przy odpowiednio silnym portfolio technicznym
Twoje portfolio musi być na tyle imponujące, aby zrekompensować brak ukończonych studiów magisterskich.
🟡
Architektura Transformer od wewnątrz: warstwy, strumień rezydualny, bloki uwagi i MLP, semantyka stanów ukrytych — rozumienie, co dzieje się w modelu, nie tylko umiejętność jego uruchomienia
Oczekuje się głębokiego zrozumienia mechanizmów działania modelu, a nie tylko umiejętności korzystania z gotowych bibliotek.
🟡
PyTorch w praktyce: pętla treningowa, autograd, hooki na warstwach i aktywacjach, modyfikowanie przepływu danych w trakcie inferencji, praca na GPU z CUDA
Musisz być gotów do niskopoziomowej pracy z frameworkiem, w tym do modyfikowania jego wewnętrznych mechanizmów.
🟡
Hugging Face Transformers: inferencja modeli klasy 7–8B, dostęp do stanów ukrytych wszystkich warstw, konfiguracje modeli i Hub
Oczekuje się, że będziesz w stanie pracować z konkretnymi, dużymi modelami i analizować ich wewnętrzne działanie.