remotefruitRemote EU
Wissenschaftler/in oder Ingenieur/in für Reinforcement-Learning-Infrastruktur
- Arbeitszeit
- Vollzeit
- Erfahrung
- Erforderlich ist praktische Erfahrung mit LLM-Posttraining durch RL in erheblichem Maßstab, verteiltem Training, Umgebungen, Verifikatoren und asynchronen Rollout-Pipelines.
- Vergütung
- Gehalt nicht angegeben
Die Rolle in Kürze
Die Rolle verbindet Policy-Optimierung, Inferenz, agentische Umgebungen sowie Belohnungs- und Verifikationssysteme zu einer leistungsfähigen, stabilen und korrekten RL-Infrastruktur. Gemeinsam mit Forschenden überführt sie neue Posttraining-Ansätze in produktive Trainingsläufe.
Deine Aufgaben
- Die Rolle entwirft, entwickelt und skaliert verteilte RL-Posttraining-Systeme und orchestriert Training, Rollouts, Umgebungen und Belohnungsberechnung über Tausende GPUs.
- Sie entwickelt Rollout-Generierung mit hohem Durchsatz und integriert vLLM, SGLang, Gewichtssynchronisierung sowie asynchrone und Off-Policy-Verfahren.
- Sie entwickelt reproduzierbare RL-Umgebungen für mehrstufige agentische Aufgaben mit abgeschirmter Codeausführung, Werkzeug- und Computernutzung sowie multimodaler Interaktion, die auf Millionen Episoden skalieren.
- Sie baut Belohnungsinfrastruktur mit verifizierbaren und programmatischen Belohnungen, der Bereitstellung von Belohnungsmodellen, LLM-as-Judge-Pipelines und Schutz gegen Reward Hacking auf.
- Sie entwickelt Werkzeuge für Evaluation, Monitoring und Fehleranalyse, um große RL-Trainingsläufe stabil zu halten.
- Sie verbessert Trainingseffizienz und Stabilität und setzt gemeinsam mit Forschenden neue Posttraining-Ideen in produktive Trainingsläufe um.
- Ein möglicher Ablauf der ersten 90 Tage umfasst an den Tagen 1–30 die Einarbeitung und Diagnose von Durchsatz-, Stabilitäts- und Korrektheitsproblemen, an den Tagen 30–60 die Verbesserung von Rollout-Durchsatz, Belohnungsinfrastruktur oder einer Umgebung samt Validierung in einem realen Trainingslauf und an den Tagen 60–90 die Robustheitsverbesserung des gesamten Kreislaufs über Tausende GPUs und asynchrone Architekturen.
Das solltest du mitbringen
Erforderlich
- Erforderlich ist Erfahrung mit dem RL-Posttraining von LLMs, dem Aufbau von Umgebungen und Verifikatoren sowie der Fehleranalyse asynchroner Rollout-Pipelines im großen Maßstab.
- Erforderlich ist praktische Erfahrung im RL-Posttraining von LLMs in erheblichem Maßstab mit Verfahren der PPO/GRPO-Familie, RLHF und RLVR.
- Erforderlich sind umfangreiche Kenntnisse und Praxis im verteilten PyTorch-Training und in Parallelisierungsverfahren für Foundation-Modelle, einschließlich FSDP sowie Tensor-, Pipeline- und Expertenparallelität.
- Erforderlich ist Erfahrung beim Aufbau von RL-Umgebungen, Belohnungsfunktionen, Verifikatoren oder Evaluationssystemen für LLM-Agenten, einschließlich abgeschirmter Ausführung und Werkzeugnutzung über mehrere Interaktionsrunden.
- Erforderlich ist tiefe Vertrautheit mit RL-Posttraining-Frameworks wie veRL, OpenRLHF und TRL, der Orchestrierung mit Ray sowie Rollout-Inferenz-Engines wie vLLM und SGLang.
- Erforderlich ist ein fundiertes Verständnis von GPU-Clustern, Netzwerken und Kommunikationsbibliotheken wie NCCL und MPI unter gemischten Trainings- und Inferenzlasten.
Von Vorteil
- Wünschenswert ist Erfahrung mit RL-Training auf mindestens 100 GPUs, einschließlich asynchroner oder entkoppelter Trainer-/Rollout-Architekturen.
- Wünschenswert sind Kenntnisse in Containerisierung und Orchestrierung mit Kubernetes und Ray für große Flotten von Umgebungen und abgeschirmte Workloads.
- Wünschenswert sind Forschungsbeiträge zu RL für LLMs oder Open-Source-Beiträge zu RL-Trainingsframeworks.
Veröffentlicht: 08.10.2026 · Quelle geprüft: 18.10.2026.
Die Angaben sind für RemoteFruit einheitlich aufbereitet. Maßgeblich bleibt die Originalanzeige. RemoteFruit steht in keiner Partnerschaft mit dem ausschreibenden Unternehmen.