Шаблон CV Junior AI ресерч-инженер
Готовый шаблон CV для Junior AI ресерч-инженер. Оптимизирован под ATS-системы.
Выберите свой уровень
Выберите уровень опыта для подходящего шаблона CV
Готовый шаблон CV для Junior AI ресерч-инженер. Оптимизирован под ATS-системы.
Смотреть шаблон →Готовый шаблон CV для Middle AI ресерч-инженер. Оптимизирован под ATS-системы.
Смотреть шаблон →Готовый шаблон CV для Senior AI ресерч-инженер. Оптимизирован под ATS-системы.
Смотреть шаблон →Готовый шаблон CV для Lead AI ресерч-инженер. Оптимизирован под ATS-системы.
Смотреть шаблон →Почему это CV работает
Глаголы, доказывающие переход от paper к runnable training code
Воспроизвёл, Провёл, Запрофилировал, Расширил, Реализовал, Написал. Рекрутер frontier-лаборатории ищет глаголы, доказывающие, что вы превратили статью в обучающий код, а не 'использовал PyTorch'. Это бар, отделяющий research-инженера от MLE.
Числа eval и тренировки, а не общие фразы
В пределах 0.6 пункта от HumanEval pass@1, 38 ablation-прогонов, 17% GPU-часов, 1.7x throughput. Research-инженера измеряют benchmarked-дельтами; без числа ablation остаётся фольклором.
Строгость и FLOPs-дисциплина в каждом пункте
Не 'обучил модель', а 'на 3 размерах дистиллированной модели' и '4 настроек, переживших golden-trace eval-replay'. Frontier-лаборатории нанимают за rigor: за ablation, доказывающие гипотезу, а не за прогоны, сжёгшие compute. Это то, что MLE-резюме всегда упускают.
Командный сигнал даже на стажировке
В паре с двумя senior research engineers; попавшее в 3 внутренних training-stack. Покажите, что вы пишете в shared codebase, на которые опираются другие исследователи. Это НЕ MLE-роль; это paper-to-codebase роль с peer-reviewers.
Стек, названный на уровне frontier-лаборатории
Triton-ядро, FSDP-Z2 шардинг, golden-trace replay, EleutherAI lm-evaluation-harness. Не пишите 'PyTorch'; пишите конкретный слой training-stack, к которому прикоснулись. Так research-engineer рекрутер отличает любителя от контрибьютора.
Переключайтесь между уровнями для конкретных рекомендаций
Ключевые навыки
- 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
- FSDP-Z3
- DeepSpeed ZeRO
- Megatron-LM
- NCCL profiling
- SFT
- DPO
- RLHF
- RLAIF
- PPO
- Hugging Face TRL
- DeepSpeed-MII
- Triton kernels
- NCCL
- Rust
- Tensor Parallel
- Activation Checkpointing
- Speculative Decoding
- Reward Modeling
- Constitutional AI
- Golden-trace Replay
- Scaling Laws
- Inference-Time Compute
- Mech-Interp Probes
- Mixture-of-Experts
- RLHF/DPO/RLAIF
- Multimodal Alignment
- Mech-Interp
- Red-Team Eval
- Eval-Harness Contracts
- FLOPs Accounting
- Орг-дизайн
- Research-стратегия
- Hiring rubrics
- Планирование compute-бюджета
Улучшите своё CV
Зарплаты (US)
Карьерный рост
AI Research Engineering - один из самых рычажных треков во frontier-лабораториях. Прогрессия: ablation-owner / eval-harness contributor (junior) -> small-model training-run lead (middle) -> large-model training-run-tier lead (senior) -> research-area architect (lead, MTS, staff). Каждый уровень добавляет compute-масштаб, eval-suite ownership и reusable-артефакты. Потолок для IC - staff или principal research engineer; многие lead также пивотят в management research-инжиниринга (head of pretraining, head of post-training).
Воспроизвести 2-3 статьи frontier-лаборатории с named eval-дельтами, залить один принятый PR в lm-evaluation-harness / trl / vLLM, владеть small-model ablation-серией end-to-end, профилировать и репортить GPU-hour cost, отгрузить одно Triton-ядро или NCCL-tuning fix и начать быть named on-call хотя бы одного вторичного training-run.
- FSDP-Z3 + activation checkpointing
- SFT и DPO post-training
- Авторство Triton-ядер
- Golden-trace replay в eval-harness
- FLOPs accounting
Быть primary on-call реального training-run (>=7B параметров) с процентом надёжности, убить минимум один multi-week ablation с named eval-доказательством, проментора 2 джунов через первую ablation-owner ротацию, написать reusable-артефакт (post-training run-book, eval template, kernel pack) и начать влиять на eval-harness contract, используемый соседними командами.
- RLHF и RLAIF post-training
- NCCL collective tuning
- Tensor parallel + pipeline parallel
- Speculative decoding stacks
- Reusable run-book
Владеть frontier-tier training-run (4-значный GPU-count, 70B+ параметров, multi-week длительность), произвести senior-only kill (multi-week инициатива остановлена после eval ablation, сотни тысяч GPU-часов перенаправлены), проментора 2 IC до research-engineer senior, написать company-wide eval-harness contract или FLOPs accounting library и партнёрить с VP-level peer над roadmap research-области.
- Архитектура research-области (post-training, inference-time compute, multimodal alignment)
- Владение multi-million GPU-hour бюджетом
- Дизайн eval-harness contract
- Дизайн promotion-ladder и механизм ротации IC
- Кросс-команд партнёрства с VP-level peers
Смежные пути: research scientist (больше публикаций, меньше кода), MLE / production AI engineer (serving и infra в масштабе), исследователь mech-interp (специализированная ветка), manager research-инжиниринга (people-лидерство), inference-systems engineer (специалист по vLLM / TensorRT / speculative decoding). Некоторые research-инженеры пивотят в AI safety / red-team роли или основывают research-tooling стартапы (eval-платформы, training-stack tooling).
Шаблоны и примеры CV для AI ресерч-инженера от стажёра до lead, написанные под реальные вакансии frontier-лабораторий. Роль живёт между research scientist и production MLE: вы превращаете статьи в обучающий и inference-код, владеете eval-harness, ведёте ablation, шипите компоненты frontier-моделей. Рекрутеры в Anthropic, OpenAI, Google DeepMind, FAIR, NVIDIA Research, Cohere и Apple AIML ищут очень конкретные сигналы: paper-to-checkpoint turnaround, надёжность training-run в процентах, pass-rate на MMLU, GPQA-Diamond, HumanEval, MATH-500, FLOPs-эффективность, дисциплину GPU-hour cost и готовность убивать ablation, не поднимающие evals. Это руководство покрывает junior-lead с конкретными метриками, нужным стеком (PyTorch, JAX, FSDP, DeepSpeed ZeRO, Megatron-LM, Triton, RLHF, DPO, golden-trace replay) и формулировками, отделяющими research-инженера от обычного ML-инженера.