Exemplo de currículo Junior AI Research Engineer
Exemplo de currículo profissional Junior AI Research Engineer. Modelo otimizado para ATS.
Faixa salarial Junior (US)
$200,000 - $300,000
Por que este currículo funciona
Verbos que sinalizam ownership de research-to-prod
Reproduzi, Desenvolvi, Perfilei, Estendi, Implementei. Frontier labs procuram verbos que provem que você consegue pegar um paper e transformá-lo em código de treinamento executável, não apenas 'usei PyTorch'. Essa é a régua que separa research engineers de MLEs genéricos.
Números de eval e training-run, não vibes
Dentro de 0,6 pontos do HumanEval pass@1, 38 ablation runs, 17% das GPU-hours, de 95 minutos para 22 minutos, de 11% para menos de 2%, 1.7x throughput. Research engineers são julgados por benchmarked deltas; sem número, sua ablation é folclore.
Rigor e disciplina de FLOPs visíveis em cada bullet
Não é 'treinou um modelo', mas 'em 3 tamanhos de modelo destilados' e 'as 4 configurações que sobreviveram ao golden-trace eval replay'. Frontier labs contratam por rigor: ablations que provam uma hipótese, não training runs que queimam compute. Essa é a parte que CVs com sabor de MLE sempre erram.
Sinal de colaboração, mesmo em nível de intern
Em dupla com dois senior research engineers; entrou em 3 internal training stacks. Mesmo como intern, prove que você entrega em codebases compartilhados dos quais outros pesquisadores dependem. Esse NÃO é um papel de MLE; é um papel paper-to-codebase com peer reviewers.
Stack nomeada na camada que um frontier lab se importa
Triton kernel, FSDP-Z2 sharding, golden-trace replay, EleutherAI lm-evaluation-harness. Não escreva 'PyTorch'; escreva a camada específica do training stack que você tocou. É assim que recruiters de research engineer separam hobbyists de contributors.
Habilidades essenciais
- Python
- PyTorch
- JAX
- Hugging Face Transformers
- Slurm
- FSDP
- Weights and Biases
- lm-evaluation-harness
- Triton
- CUDA
- DeepSpeed-Z2
- Hydra
- MMLU
- GPQA-Diamond
- HumanEval
- MATH-500
- vLLM
Melhore seu currículo
Templates e exemplos de CV de AI Research Engineer de intern a lead, escritos para o job spec real de frontier lab. O papel vive entre o research scientist e o MLE de produção: você transforma papers em código de treinamento e inferência executável, tem ownership do eval harness, roda ablations e entrega componentes de frontier model. Recruiters em Anthropic, OpenAI, Google DeepMind, FAIR, NVIDIA Research, Cohere e Apple AIML procuram sinais bem específicos: turnaround paper-to-checkpoint, percentuais de training-run reliability, taxas de pass de eval-suite em MMLU, GPQA-Diamond, HumanEval e MATH-500, eficiência de FLOPs, disciplina de GPU-hour cost e a disciplina de matar ablations que falham em elevar evals. Este guia cobre de junior a lead com métricas concretas, as ferramentas que importam (PyTorch, JAX, FSDP, DeepSpeed ZeRO, Megatron-LM, Triton, RLHF, DPO, golden-trace replay) e o vocabulário que separa research engineers de ML engineers genéricos.
Boas práticas para CV de Junior AI Research Engineer
Lidere com evidência paper-to-codebase, não com disciplinas cursadas. Um recruiter de frontier lab se importa se você consegue ler um paper recente (AlphaCodium, MoE routing, speculative decoding) e reproduzi-lo dentro de um training stack FSDP-based existente. Fixe uma reprodução dessas no topo do seu CV com o eval delta que você mediu contra os números reportados (ex.: 'dentro de 0,6 pontos do HumanEval pass@1').
Nomeie a eval suite, nunca diga apenas 'avaliei o modelo'. MMLU, GPQA-Diamond, MATH-500, HumanEval, AIME, BBH. A eval é a unidade de moeda para research engineers; uma eval sem nome é uma dimensão faltante. Mostre os splits exatos e shot counts (5-shot MMLU, 0-shot GPQA-Diamond) dos quais você teve ownership.
Mostre pensamento de ablation, não apenas pensamento de treinamento. Um junior que consegue rodar 5 ablations para isolar uma variável é mais contratável que um que lançou um único 'big' run. Cada bullet deve deixar claro o que a ablation testou e qual eval lift confirmou ou matou ela.
Use o vocabulário real do training stack. FSDP-Z2/Z3, activation checkpointing, NCCL, Slurm, Triton kernels, Hydra configs, Weights and Biases sweeps. Essas são as palavras na JD; se seu CV usa 'distributed training' você soa como MLE genérico.
Abra uma contribuição open-source pequena, mas real. Um PR mergeado em lm-evaluation-harness, trl, vLLM ou um Triton kernel vence cinco certificados Coursera. O link do PR dentro do bullet é o que te leva à entrevista.
Erros comuns no CV de Junior AI Research Engineer
- Confundir esse papel com MLE / applied-AI engineer
Por que isso prejudica: Recruiters de frontier lab rejeitam bullets como 'construí um RAG pipeline com LangChain e Pinecone' em pipelines de research engineer. Plumbing de RAG é sinal de applied-AI; research engineering é paper-to-checkpoint. Misturar os dois diz ao screener que você não sabe ao que está se candidatando.
Como corrigir: Tire bullets de LangChain / Pinecone / FastAPI da seção de topo. Substitua por trabalho de eval-harness, FSDP, Triton kernel, ablation e reprodução. Reserve bullets de LangChain para uma seção 'Outros', se for o caso.
- Listar 'usei PyTorch' ou 'treinei um modelo' sem eval nomeada
Por que isso prejudica: Um bullet de research engineer sem uma eval nomeada (MMLU, GPQA-Diamond, MATH-500, HumanEval) é uma alegação folclórica. Recruiters não conseguem calibrar o trabalho, então caem no padrão junior.
Como corrigir: Sempre inclua o nome da eval, o shot count e ou um número absoluto ou um delta (dentro de 0,6 pontos do HumanEval pass@1, elevou MMLU 5-shot em 2,4 pontos).
- Nenhuma disciplina de FLOPs / GPU-hour mostrada em nenhum lugar
Por que isso prejudica: Frontier labs gerenciam compute como gate. Um junior que já mostra consciência de GPU-hour ('identifiquei uma regressão de activation-checkpoint que desperdiçava 17% das GPU-hours por epoch') se destaca instantaneamente porque a maioria dos juniors queima compute e nunca conta.
Como corrigir: Adicione ao menos um número expresso em GPU-hours, FLOPs budget ou step-time. Mesmo em trabalho de internship, faça profile e reporte o custo das suas ablations.
Dicas rápidas de CV para Junior AI Research Engineer
Uma reprodução vence cinco cursos. Escolha um paper publicado de um frontier lab nos últimos 12 meses, reproduza sua training recipe dentro de um stack FSDP-based, meça o eval delta contra os números reportados e coloque esse bullet no topo.
Sempre nomeie a eval, o shot count e o delta. 'MMLU 5-shot, +2,4 pontos'. Nunca 'avaliado em benchmarks'.
Trate GPU-hours como moeda desde o primeiro dia. Faça profile, reporte, otimize. Bullets que referenciam GPU-hours sinalizam energia future-senior.
Use CV sob vaga & Carta de Apresentação para casar seu CV com o vocabulário exato da JD do frontier lab (FSDP-Z3, RLHF, golden-trace replay) sem perder seus bullets reais.
Perguntas frequentes
Certificações recomendadas
Preparação para entrevistas
Entrevistas de AI Research Engineer em frontier labs combinam rounds de paper-reading, take-home reproductions, distributed-training systems design e um painel de ablation-design. Espere ler um paper recente, esboçar uma training-recipe e um plano de ablation e responder 'o que você mataria primeiro e por quê?'. Rounds de senior+ adicionam um exercício de eval-harness design e um round de research-area architecture (post-training, inference-time compute, multimodal alignment). Code rounds favorecem perguntas de FSDP / Triton / NCCL ao invés de leetcode.
Perguntas frequentes
Perguntas comuns:
- Me conduza pelo paper mais recente que você reproduziu e o que mediu.
- Explique FSDP-Z2 vs FSDP-Z3 e quando você escolheria cada um.
- Como você lê um resultado de ablation e decide que ele eleva uma eval?
- O que é activation checkpointing e qual o custo dele?
- Me mostre seu Weights and Biases sweep favorito.
Dicas: Lidere com o eval delta que você mediu, não com código. Tenha um paper que você consegue defender profundamente. Esteja pronto para ler 10 linhas do training script de outra pessoa ao vivo e identificar a estratégia de paralelismo e recompute.