Шаблон CV Middle AI ресерч-инженер
Готовый шаблон CV для Middle AI ресерч-инженер. Оптимизирован под ATS-системы.
Зарплата Middle (US)
$300,000 - $500,000
Почему это CV работает
Глаголы, показывающие, что вы владеете прогонами, а не блокнотами
Веду, Спроектировала, Срезала, Построила, Написала, Заменила, Менторила, Выпустила, Добавила. На middle вы named on-call для реального training-run; глаголы должны отражать владение compute и качеством, а не наблюдение. MLE-резюме пишет 'реализовала'; research-engineer пишет 'закрыла' и 'заменила'.
Числа, доказывающие FLOPs-эффективность и eval-lift
MMLU 5-shot на 2.4 пункта, GPU-cost на 31%, step-time с 2.4с до 1.6с, 96% wall-clock без падений. Числа research-инженера это evals, FLOPs и надёжность, а не user-facing latency. Если резюме читается в p99-ms, вы MLE.
Ablation-rigor превращает код в гипотезы
612 конфигов за 5 месяцев, после того как eval ablation показал нулевой signal lift, после того как eval ablation показал -0.3 пункта на GPQA-Diamond. Frontier-лаборатория нанимает за дисциплину убивать мёртвые ветки, а не за километры прогонов.
Влияние через shared training-стеки
Менторила 2 junior research engineers, стандартизировала шаблон post-training eval, добавила тюнинг в библиотеку trl. Mid-level research-инженера измеряют по тому, стали ли прогоны других исследователей быстрее или резче из-за вас.
Глубина стека, названная на правильном слое
FSDP-Z3 + activation checkpointing, Triton-kernel pack под fused MoE routing, SFT и DPO post-training stack. Не 'fine-tuned LLMs'; назовите kernel, parallelism-стратегию и post-training-метод. Это и есть research-engineer сигнал.
Необходимые навыки
- Python
- PyTorch
- JAX
- FSDP-Z3
- DeepSpeed ZeRO
- Megatron-LM
- Triton
- CUDA
- NCCL profiling
- SFT
- DPO
- RLHF
- RLAIF
- PPO
- Hugging Face TRL
- vLLM
- lm-evaluation-harness
- MMLU
- GPQA-Diamond
- MATH-500
- HumanEval
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 Middle AI ресерч-инженера
Будьте named on-call хотя бы одного реального training-run. Mid-level research-инженера покупают за строчку 'primary on-call для 7B dense прогона, 96% wall-clock без падений на 256 H100s'. Без named-owner роли на реальном прогоне вы всё ещё senior junior.
Количественно оценивайте FLOPs-эффективность, не просто speedup. 'Поднял MMLU 5-shot на 2.4 пункта при том же FLOPs-бюджете' звучит сильнее, чем '40% быстрее обучение', потому что frontier-лаборатории всегда меряют качество при фиксированном compute. Каждый speedup нужно соединять с тем, что держалось константой.
Покажите хотя бы один убитый ablation. 'Закрыл synthetic-data run после того, как eval ablation показал -0.3 на GPQA-Diamond' - это bullet, сигнализирующий зрелость research-инженера. Он доказывает, что вы меняете compute на evidence и уходите от sunk-cost веток; это самая частая зона hiring-committee.
Выберите post-training stack и владейте им. SFT to DPO to RLHF to RLAIF - современное трио post-training; в mid-level CV должно быть видно, какие шаги вы писали, какие kernels авторили (например, fused MoE routing на Triton), и какой head-to-head win-rate сдвинулся.
Менторите и стандартизируйте. Bullet 'менторил 2 junior research engineers через первую ротацию ablation-owner и стандартизировал шаблон post-training eval' - чистейший сигнал, что вы готовы к senior.
Частые ошибки в CV Middle AI ресерч-инженера
- Читается как senior MLE, а не research-инженер
Почему это вредит: Bullets вроде 'снизил p99 latency с 2.5с до 180мс' в CV research-инженера сигнализируют, что вы оптимизируете serving, а не качество обучения. Frontier-screener перенаправляет такие CV в applied-AI, а не в research-engineer pipelines.
Как исправить: Переоформите в единицах research-инженера: eval-lift на названном benchmark, FLOPs-эффективность при фиксированном качестве, процент завершения training-run, rate убитых ablation.
- Нигде нет ablation-kill в CV
Почему это вредит: Mid-level research-инженер, никогда не убивший ablation, читается как compute-burner. Hiring-committee буквально спрашивает 'расскажите об эксперименте, который вы остановили'.
Как исправить: Добавьте один bullet, называющий мёртвую ветку, eval, который её убил, и перенаправлённые GPU-часы. Часто именно этот bullet поднимает оффер на уровень.
- Нет сигнала ownership на training-run
Почему это вредит: Без 'primary on-call', 'владел 7B прогоном' или 'вёл ярус 13B distillation' mid-level CV читается как человек, который контрибьютил в чужие прогоны.
Как исправить: Выберите один прогон, прямо заклаймите его и отчитайтесь по числу надёжности (% wall-clock без падений) плюс стратегию параллелизма (FSDP-Z3, activation checkpointing, tensor parallel).
Советы по CV для Middle AI ресерч-инженера
Заклеймите один named on-call прогон. Без bullet 'primary on-call' вы читаетесь как junior+.
Покажите один убитый ablation с eval, который его убил, и перенаправленные GPU-часы.
Выберите post-training стек (SFT/DPO/RLHF/RLAIF) и явно владейте им.
Один Triton-kernel или NCCL-tuning bullet добавляет полууровень доверия.
Менторите и стандартизируйте. Mid-level CV с 'менторил 2 джунов и стандартизировал шаблон eval' конвертят заметно лучше.
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 training-run, которым владели end-to-end. Что ломалось?
- Пройдитесь по одному убитому ablation.
- Как выбирали между SFT, DPO и RLHF для задачи?
- Объясните Triton- или CUDA-ядро, которое вы написали, и speedup против PyTorch baseline.
- Спроектируйте eval pipeline, ловящий silent-регрессии в post-training.
Советы: Принесите реальный run-book (анонимизированный) для обсуждения. Рекрутера на этом уровне больше волнует kill-bullet, чем ship-bullet. Будьте готовы оборонять FLOPs-эффективность при фиксированном качестве.