포지션 상세
Motif의 차세대 Flagship LLM을 함께 개발할 Technical Staff를 찾습니다.
이 포지션에서는 대규모 언어 모델의 아키텍처 설계부터 pre-training, post-training, reinforcement learning, evaluation 및 inference 최적화까지 모델 개발의 전 과정에 직접 참여하게 됩니다.
단순히 기존 방법을 구현하는 것이 아니라, 모델의 성능과 효율을 높이기 위한 새로운 아이디어를 제안하고 이를 실제 대규모 학습 환경에서 실험하며 검증합니다.
우리는 새로운 architecture와 training method를 빠르게 실험하고, 실험 결과를 바탕으로 다음 방향을 결정합니다.
때로는 수백 장 이상의 GPU를 사용한 대규모 학습을 수행하고, 때로는 작은 규모의 실험을 반복하며 모델의 핵심적인 문제를 찾아 해결합니다.
연구 결과가 논문이나 아이디어에 머무르지 않고 실제로 동작하는 frontier-level 모델로 이어지는 것을 중요하게 생각합니다.
• 대규모 pre-training 및 post-training 파이프라인 개발
• RL 및 기타 학습 방법을 활용한 모델 capability 향상
• 다양한 benchmark와 자체 evaluation을 통한 모델 분석 및 개선
• 학습 안정성, 데이터, inference efficiency 등 모델 개발 과정에서 발생하는 문제 해결
• 새로운 논문과 기술을 빠르게 구현하고 실제 모델에 적용
• 연구 아이디어를 실험하고 결과를 분석하여 다음 모델의 방향을 결정
• LLM의 현재 수준에 만족하지 않고, 다음 세대의 모델이 어떻게 만들어져야 하는지 직접 고민하고 실제로 만들어보고 싶은 분이라면 이 포지션에서 큰 자율성을 가지고 일할 수 있습니다.
이 포지션에서는 대규모 언어 모델의 아키텍처 설계부터 pre-training, post-training, reinforcement learning, evaluation 및 inference 최적화까지 모델 개발의 전 과정에 직접 참여하게 됩니다.
단순히 기존 방법을 구현하는 것이 아니라, 모델의 성능과 효율을 높이기 위한 새로운 아이디어를 제안하고 이를 실제 대규모 학습 환경에서 실험하며 검증합니다.
우리는 새로운 architecture와 training method를 빠르게 실험하고, 실험 결과를 바탕으로 다음 방향을 결정합니다.
때로는 수백 장 이상의 GPU를 사용한 대규모 학습을 수행하고, 때로는 작은 규모의 실험을 반복하며 모델의 핵심적인 문제를 찾아 해결합니다.
연구 결과가 논문이나 아이디어에 머무르지 않고 실제로 동작하는 frontier-level 모델로 이어지는 것을 중요하게 생각합니다.
주요업무
• 차세대 LLM의 architecture 및 training strategy 설계• 대규모 pre-training 및 post-training 파이프라인 개발
• RL 및 기타 학습 방법을 활용한 모델 capability 향상
• 다양한 benchmark와 자체 evaluation을 통한 모델 분석 및 개선
• 학습 안정성, 데이터, inference efficiency 등 모델 개발 과정에서 발생하는 문제 해결
• 새로운 논문과 기술을 빠르게 구현하고 실제 모델에 적용
• 연구 아이디어를 실험하고 결과를 분석하여 다음 모델의 방향을 결정
자격요건
• 이 역할에서는 특정 분야의 경험보다 복잡한 문제를 직접 정의하고, 가설을 세우고, 실험을 설계하고, 결과를 바탕으로 모델을 개선해 나가는 능력을 중요하게 봅니다.• LLM의 현재 수준에 만족하지 않고, 다음 세대의 모델이 어떻게 만들어져야 하는지 직접 고민하고 실제로 만들어보고 싶은 분이라면 이 포지션에서 큰 자율성을 가지고 일할 수 있습니다.
