Команда Recursive Self-Improvement (RSI) работает на стыке исследований, инженерии, продукта и инфраструктуры, создавая ИИ-системы, которые ускоряют и в перспективе самостоятельно проводят высококачественные исследования в OpenAI. Мы автоматизируем реальные исследовательские рабочие процессы и повышаем продуктивность исследований, создавая системы и циклы обратной связи, разрабатывая оценки и обучая модели недостающим навыкам. Работа охватывает полный цикл обучения, оценки и развертывания моделей, помогая исследователям двигаться быстрее и решать более амбициозные задачи.
Роль предполагает работу в Сан-Франциско, Калифорния.
Задачи:
- Разработка оценок исследовательского суждения, генерации и проверки гипотез, а также выполнения долгосрочных экспериментов.
- Превращение реальных исследовательских рабочих процессов и сбоев моделей в циклы данных и оценок.
- Улучшение исследовательских возможностей моделей через агентские обвязки, синтетические данные, среды RL и обучение моделей.
- Создание и поддержание безопасных и надежных интеграций между моделями и исследовательской инфраструктурой OpenAI.
- Разработка исследовательских агентов, систем оркестрации экспериментов и песочниц для поддержки реальных исследовательских рабочих процессов.
- Создание метрик и экономических моделей для оценки текущего и будущего влияния RSI на продуктивность исследований, возможности моделей и безопасность внутренних развертываний.
Требования:
- Опыт в исследованиях или инженерии в области обучения LLM, оценки моделей, агентских систем, синтетических данных, исследовательской инфраструктуры или крупномасштабных распределенных систем.
- Сильные навыки генералиста, способность переключаться между открытыми исследованиями и практической реализацией.
- Эффективное взаимодействие с командами по системам, данным, обучению моделей, оценкам и другим исследовательским направлениям.
- Готовность создавать и поддерживать пайплайны данных, инструменты и инфраструктуру для новых возможностей ИИ.
- Комфортная работа с задачами без четких определений и устоявшихся подходов.
- Строгое отношение к научному качеству, исследовательскому вкусу, безопасности, приватности, надежности, производительности и масштабу.
- Заинтересованность в использовании все более capable ИИ-систем для ускорения значимых исследований.