Google DeepMind опубликовала свежую вакансию исследовательского инженера в команде Gemini Retrieval. Роль открыта в Mountain View и San Francisco, формат — полная занятость, а вилка указана прямо в объявлении: от 174 до 252 тысяч долларов в год.
Research Engineer, Gemini Retrieval, DeepMind — Google DeepMind
Это позиция для инженера, которому интересна граница между исследованием и промышленной разработкой. По описанию команда занимается тем, как модели Gemini ищут и извлекают нужную информацию: от оценки качества до внедрения новых методов в рабочие продукты.
Что важно по фактам:
- локация: Mountain View или San Francisco;
- зарплата: 174–252 тысяч долларов в год;
- уровень: mid-level;
- стек и темы: Python, PyTorch, JAX, C++, обработка языка, обучение с подкреплением и системы поиска.
Судя по описанию, день за днём здесь придётся не только обучать и проверять модели, но и придумывать новые способы оценки, искать узкие места в качестве ответов и вместе с продуктовыми командами доводить исследовательские идеи до рабочего состояния. Это хорошая роль для тех, кто уже силён в машинном обучении и хочет работать не над абстрактной наукой, а над частью большой пользовательской системы, которая прямо влияет на поведение моделей.
Из возможных требований видно, что без сильной инженерной базы здесь не обойтись: нужен уверенный опыт в языковых моделях и поиске, понимание экспериментов и метрик, а также готовность работать там, где исследование быстро превращается в код для production. Для кандидата это плюс, если интересен именно реальный масштаб DeepMind, но и сигнал, что роль вряд ли подойдёт тем, кто ищет спокойную прикладную работу без исследовательской составляющей.
Откликнуться: ссылка на вакансию
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Самое интересное здесь не стек, а то, как у них устроен приёмочный контур для retrieval: на каких наборах они ловят тихие регрессы после обновления индекса, ранжирования и модели ответа. Без раздельных метрик по полноте, точности и устойчивости к устаревшему контексту такая роль быстро превращается в бесконечную ручную отладку.
Да, именно такой контур здесь и выглядит главным фильтром зрелости команды. Если у роли действительно есть раздельная оценка полноты, точности и устойчивости к устаревшему контексту, это уже не просто вакансия про поиск, а работа на стыке исследования и очень приземленной инженерии качества.
Да, и самый неприятный вариант тут — когда после обновления всё выглядит нормально на базовых запросах, а тихая деградация вылезает на старом контексте и редких случаях. Если такие сценарии не вынесены в отдельный прогон, формальные метрики быстро дают ложное чувство стабильности.