RL Environments Engineer - Low-Level Engineering & Kernel Inference Optimization

Preference Model via XOR Inc.

Oferta w skrócie

55 705 – ?PLN / mies.

🏠ZdalnieTryb pracy

📄B2BKontrakt

⏱️Senior · 5+ latDoświadczenie

LokalizacjaWarszawa

Źródło

JustJoinIT

↗

Aktywna

Opublikowano12 maja 2026

Ostatnio sprawdzono12 maja 2026

Wygasa za6 dni

Otwórz ofertę u źródła

🛠 Wymagane technologie

Dane źródłowe

GenAI C++LLMs CI/CD CUDA Linux Python

AI Insights

Czym naprawdę jest ta rola?Applied AI Engineer

Rola polega na budowie środowisk (środowisk wzmacniających) do uczenia LLM-ów niskopoziomowego programowania i optymalizacji sprzętowej. Tworzysz realistyczne pętle zwrotne, w których modele uczą się pisać wydajny kod dla GPU i CPU. To praca R&D na pograniczu uczenia maszynowego i inżynierii systemowej – wymaga głębokiego zrozumienia architektury sprzętu i kompilatorów.

Plusy

✓Możliwość pracy z czołowymi laboratoriami AI i zaawansowanymi technologiami
✓Zespół założycielski z doświadczeniem w Anthropic – mocne tło w AI

Na co uważać

−Proces rekrutacyjny obejmuje dwa zadania domowe – potencjalnie czasochłonne (choć wynagradzane przy ofercie)
−Startup na etapie seed – ryzyko braku stabilności i długoterminowej perspektywy

!Wymóg nakładki ≥4 godzin z PST – oznacza późne godziny pracy dla kandydatów z Europy
!Nie podano wielkości zespołu ani struktury organizacyjnej

Codzienna praca

•Projektowanie i implementacja środowisk RL (np. w Gymnasium lub niestandardowych) do uczenia LLM-ów
•Pisanie wydajnych kernelów CUDA/HIP dla GPU (NVIDIA Hopper/Blackwell, AMD)
•Tworzenie niestandardowych operatorów PyTorch (ATen, TorchScript) i integracja z backendami
•Optymalizacja pamięci: cache, coalescing, bank conflicts, shared memory
•Debugowanie i profilowanie kernelów GPU za pomocą narzędzi takich jak Nsight Compute
•Implementacja niskopoziomowych optymalizacji w C++ (szablony, współbieżność, systemy budowania)
•Współpraca z zespołem badawczym nad definiowaniem zadań treningowych dla LLM-ów
•Analiza wydajności i skalowanie na wielu GPU z użyciem NCCL/RCCL

Więcej o ofercie

Dla kogo jest ta oferta

Profil idealny

Oferta dla doświadczonych specjalistów (Senior).

Minimum sensowne

Osoba z solidną znajomością Pythona produkcyjnego i podstawową znajomością CUDA/C++, która potrafi szybko uczyć się niskopoziomowych optymalizacji i ma świadomość działania LLM-ów.

Raczej nie dla

Juniorzy bez doświadczenia w CUDA i optymalizacjach – rola wymaga zaawansowanej wiedzy o sprzęcie. Osoby szukające stabilnej pracy korporacyjnej – to startup w fazie seed z niepewną przyszłością.

Ocena dopasowania

Junior1/5

Mid2/5

Senior5/5

Hands-on5/5

Architekt3/5

Remote5/5

Enterprise1/5

Pytania do rekrutera

?Ile osób liczy zespół techniczny Preference Model i jaką ma strukturę?
?Jakie konkretnie środowisko RL będzie używane (np. Gymnasium, niestandardowe)?
?Czy przewidziane są dyżury on-call lub praca w weekendy przy inferencji?
?Jakie są możliwości rozwoju i budżet na konferencje/szkolenia?
?Czy istnieje możliwość pracy na własnym sprzęcie czy firma zapewnia GPU?
?Jak wygląda proces review kodu i testowania kernelów?

Brakujące informacje

−Brak informacji o benefitach (urlop, ubezpieczenie, dodatki)
−Nie podano wielkości zespołu ani kultury pracy
−Nie wspomniano o dostępności narzędzi (jakie GPU, jakie frameworki RL)

Zespół

Zespół startupowy, prawdopodobnie płaski, z dużym naciskiem na szybkie eksperymenty i iteracje. Praca zdalna z wymogiem nakładki na PST.

Rekrutacja

1) Aplikacja przez job board z krótką notatką o dopasowaniu tracku. 2) Krótkie zadanie domowe (formularz). 3) Rozmowa z XOR (opcjonalnie) i weryfikacja zadania przez zespół techniczny. 4) Rozmowa z team leadem z Preference Model. 5) Drugie zadanie domowe (kodowanie). Zadania domowe są wynagradzane, jeśli kandydat otrzyma ofertę.

🔗Podobne oferty