Шаблон CV Junior AI ресерч-инженер
Готовый шаблон CV для Junior AI ресерч-инженер. Оптимизирован под ATS-системы.
Зарплата Junior (US)
$200,000 - $300,000
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.
Необходимые 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
Улучшите своё CV
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.
Лучшие практики для CV Junior AI ресерч-инженера
Начинайте с доказательства paper-to-codebase, а не с курсов. Рекрутер frontier-лаборатории смотрит, можете ли вы прочесть свежую статью (AlphaCodium, MoE routing, speculative decoding) и воспроизвести её внутри существующего FSDP-стека. Поставьте одну такую репродукцию вверх CV с замеренной eval-дельтой против заявленных чисел (например, 'в пределах 0.6 пункта от HumanEval pass@1').
Называйте eval-suite, не пишите 'оценил модель'. MMLU, GPQA-Diamond, MATH-500, HumanEval, AIME, BBH. Eval - это единица валюты research-инженера; безымянный eval - это пропущенное измерение. Показывайте точные сплиты и shot-count (5-shot MMLU, 0-shot GPQA-Diamond), которыми вы владели.
Показывайте ablation-мышление, а не просто training-мышление. Джун, способный провести 5 ablation для изоляции одной переменной, нанимается лучше того, кто запустил один 'большой' прогон. Каждый bullet должен объяснять, что ablation проверял и какой eval-lift подтвердил или убил его.
Используйте реальный словарь training-стека. FSDP-Z2/Z3, activation checkpointing, NCCL, Slurm, Triton kernels, Hydra configs, Weights and Biases sweeps. Это слова из JD; если в CV написано 'распределённое обучение' - вы читаетесь как обычный MLE.
Залейте один маленький, но настоящий open-source PR. Принятый PR в lm-evaluation-harness, trl, vLLM или Triton-ядро бьёт пять курсов Coursera. Ссылка на PR внутри bullet - это то, что доводит вас до screening.
Частые ошибки в CV Junior AI ресерч-инженера
- Путание роли с MLE / applied-AI инженером
Почему это вредит: Frontier-лаборатории отвергают bullets 'построил RAG-pipeline на LangChain и Pinecone' в pipelines research-инженера. RAG-plumbing - это applied-AI сигнал; research engineering - это paper-to-checkpoint. Смешивание говорит скринеру, что вы не понимаете, на что подаётесь.
Как исправить: Уберите LangChain / Pinecone / FastAPI из верхней секции. Замените на eval-harness, FSDP, Triton kernel, ablation и воспроизведение работ. LangChain оставьте на секцию 'Other', если вообще.
- Пункты 'использовал PyTorch' или 'обучил модель' без названия eval
Почему это вредит: Bullet research-инженера без названного eval (MMLU, GPQA-Diamond, MATH-500, HumanEval) - это фольклорный тезис. Рекрутер не может откалибровать работу, поэтому ставит junior по умолчанию.
Как исправить: Всегда указывайте имя eval, shot-count и либо абсолютное число, либо дельту (в пределах 0.6 пункта от HumanEval pass@1, поднял MMLU 5-shot на 2.4 пункта).
- Нигде не показана FLOPs / GPU-hour дисциплина
Почему это вредит: Frontier-лаборатории нормируют compute. Джуниор, уже показывающий осознанность GPU-hour ('поймал регрессию activation-checkpoint, жгшую 17% GPU-часов на эпоху'), сразу выделяется, потому что большинство джунов жгут compute и никогда не считают.
Как исправить: Добавьте хотя бы одно число в GPU-часах, FLOPs-бюджете или step-time. Даже на стажировке профилируйте и репортите цену ваших ablation.
Советы по CV для Junior AI ресерч-инженера
Одно воспроизведение бьёт пять курсов. Возьмите статью frontier-лаборатории за последние 12 месяцев, воспроизведите её training-recipe в FSDP-стеке, замерьте eval-дельту против заявленных чисел и поместите этот bullet наверх.
Всегда называйте eval, shot-count и дельту. 'MMLU 5-shot, +2.4 пункта'. Никогда 'оценил на бенчмарках'.
Считайте GPU-часы валютой с первого дня. Профилируйте, репортите, оптимизируйте. Bullets с GPU-часами сигнализируют энергию будущего senior.
Используйте CV под вакансию & Сопроводительное, чтобы подогнать резюме под точные слова из JD frontier-лаборатории (FSDP-Z3, RLHF, golden-trace replay) без потери реальных bullets.
Часто задаваемые вопросы
Рекомендуемые сертификации
Подготовка к собеседованию
Собеседования AI ресерч-инженера во frontier-лабораториях сочетают paper-reading раунд, take-home воспроизведение, system design для распределённого обучения и панель ablation-design. Ждите чтения свежей статьи, наброска training-recipe и ablation-плана, ответа на 'что бы вы убили первым и почему'. На senior+ добавляются дизайн eval-harness и архитектура research-области (post-training, inference-time compute, multimodal alignment). Coding-раунд скорее про FSDP / Triton / NCCL, чем про leetcode.
Частые вопросы
Частые вопросы:
- Расскажите про самую свежую статью, которую вы воспроизвели, и что замерили.
- Объясните FSDP-Z2 vs FSDP-Z3 и когда какой выбрали бы.
- Как читаете результат ablation и решаете, что он поднимает eval?
- Что такое activation checkpointing и какова его цена?
- Покажите любимый Weights and Biases sweep.
Советы: Начинайте с eval-дельты, не с кода. Имейте одну статью, которую защищаете глубоко. Будьте готовы прочесть 10 строк чужого training-скрипта вживую и назвать parallelism и recompute стратегию.