Investigación, Ciencia de Pre-Entrenamiento

################################################################################################################################################################################################################################################################ La misión de Thinking Machines Lab es empoderar a la humanidad promoviendo la inteligencia general colaborativa. Estamos construyendo un futuro donde todos tienen acceso a los conocimientos y herramientas para hacer que la IA funcione para sus necesidades y metas únicas. Somos científicos, ingenieros y constructores que han creado algunos de los productos AI más utilizados, incluyendo ChatGPT y Character.ai, modelos de peso abierto como Mistral, así como proyectos populares de código abierto como PyTorch, OpenAI Gym, Fairseq y Segment Cualquier cosa. El papel de los investigadores pre-entrenamiento se encuentra en el núcleo de nuestra hoja de ruta. Este trabajo promueve la ciencia de cómo los modelos grandes aprenden de los datos. Explorará nuevos métodos de pre-entrenamiento, arquitecturas y objetivos de aprendizaje que hacen eficiente, robusta y alineada con objetivos humanos. Identificado Este papel combina investigación fundamental e ingeniería práctica, ya que no distinguemos entre los dos roles internamente. Se espera que escriba código de alto rendimiento y lea informes técnicos. Es un ajuste excelente para alguien que disfruta tanto de profunda exploración teórica como de experimentación práctica, y que quiere dar forma a los fundamentos de cómo aprende AI. - No. Nota: Este es un "empreverde papel" que seguimos abiertos sobre una base continua para expresar interés en este área de investigación. Recibimos muchas aplicaciones, y puede que no siempre haya un papel inmediato que se ajuste perfectamente a su experiencia y habilidades. Aún así, te animamos a aplicar. Revisamos continuamente las solicitudes y llegamos a los solicitantes como nuevas oportunidades abiertas. Usted es bienvenido a volver a aplicar si usted tiene más experiencia, pero por favor evitar aplicar más de una vez cada 6 meses. También puede encontrar que ponemos publicaciones para roles singulares para necesidades específicas separadas, de proyecto o de equipo. En esos casos, usted es bienvenido a aplicar directamente además de un papel siempre verde. Lo que harás será lo siguiente: ■ul i)Investigar y desarrollar nuevas metodologías para la preparación previa. ■li Trabajar en áreas como escalado, arquitectura, algoritmos o optimización de carreras de entrenamiento a gran escala dependiendo de su interés y experiencia de investigación. ■li Confeccionar programas de datos y estrategias de muestreo que mejoran la dinámica de aprendizaje y la generalización de modelos. > Trabajar con equipos de infraestructura y datos para realizar experimentos a gran escala de manera eficiente y reproducible. Investigación individual y presente que mueve a toda la comunidad hacia adelante. Compartir código, conjuntos de datos y puntos de vista que aceleran el progreso en toda la industria y la academia. ■/ul ■h2 títulos y clasificaciones < > > > > > ■ul • Capacidad para diseñar, ejecutar y analizar experimentos pensadamente, con juicio de investigación demostrado y rigor empírico. *Experiencia con entornos de computación distribuidos o de alto rendimiento. ■li Competencia en Python y familiaridad con al menos un marco de aprendizaje profundo (por ejemplo, PyTorch, TensorFlow o JAX). Cómodo con depurar el código de entrenamiento distribuido y escritura que escala. ■li título o experiencia equivalente de Bachiller en Ciencias de la Computación, Aprendizaje de Máquinas, Física, Matemáticas, o una disciplina relacionada con fuertes fundamentos teóricos y empíricos. > < > > > > > > > ■/ul - No. Las calificaciones preferidas – te animamos a aplicar incluso si no cumples con todas las calificaciones preferidas, pero al menos algunas: ■ul ■li Una fuerte comprensión de la probabilidad, las estadísticas y los fundamentos del ML. Puedes ver datos experimentales y distinguir entre efectos reales, ruido y errores. > < > > > > > > > > > > ■li Strong publication record or opensource contributions in representation learning, optimization, scaling laws, or other areas of pre-training. > > > ■Familiarity with curriculum learning, data selection, or active learning techniques. > < > > > > > > Contribuciones para abrir conjuntos de datos, publicaciones de investigación o herramientas de datos. لелиниливания en la Ciencia de la Computación, Aprendizaje de Máquinas, Físicas, Matemáticas, o una disciplina relacionada con sólida base teórica y empírica; o, experiencia equivalente de investigación de la industria. ■/ul ■h2 títuloLogistics obtenidos/h2 título ■ul No se trata de nada. Este papel se basa en San Francisco, California. "Seguido" Dependiendo de los antecedentes, las habilidades y la experiencia, el rango de salario anual esperado para esta posición es 0 hojas de datos-root="1"Consejo$350.000 - $475,000 won/span título USD. No se trata de nada. Patrocinamos visas. Aunque no podemos garantizar el éxito de cada candidato o papel, si usted es el adecuado, estamos comprometidos a trabajar a través del proceso de visa juntos. нелинитититиныхниfits: нелинильнилься/fuerteng confianza Thinking Machines ofrece beneficios generosos de salud, dentales y visión, PTO ilimitado, licencia parental pagada y apoyo de reubicación según sea necesario. "Conclusión de contenido" Como se establece en la política de igualdad de oportunidades de empleo de las máquinas de pensamiento, no discriminamos sobre la base de cualquier condición de grupo protegido bajo cualquier ley aplicable. - No. Thinking Machines Lab considerará para los solicitantes calificados de empleo con historias delictivas de una manera compatible con los requisitos de la Ley de la Cancillería de California, la Ordenanza de la Cancillería de San Francisco, y cualquier otra ordenanza o ley estatal o local de justas posibilidades.