Agent Post-Training, Context Research

실험 설계 및 실행을 통해 context에 대한 compute scaling 개선. RL, 데이터 파이프라인, graders, reward signals, evals, diagnostics, model-behavior analysis 등 post-training 스택 전반 개선. 모델 실패를 드러내는 evals/environments 구축 후 이를 training data, product fixes, research 방향으로 전환. Codex/ChatGPT 제품팀과 협업해 사용자 요구를 모델 개선으로 연결. early-training 및 alignment intervention(data mixtures, objectives, synthetic data, eval loops) 수행. 어떤 기능/통합/수정이 major model runs에 포함될지 판단. 대규모 학습·런칭의 experiment velocity, reliability, observability, reproducibility, cost, latency, production readiness 향상. 멀티에이전트 시스템 및 production-like environments와 맞닿은 cross-functional 프로젝트 수행. shipped 또는 near-shipped 모델의 hard failure 디버깅 및 정성적 문제를 가설과 실험으로 전환.

필수: machine learning, software engineering, systems, statistics 또는 관련 분야의 강한 기술 기초와 빠른 학습 능력. hands-on 경험: LLMs, RL, RLHF/RLAIF, post-training, evals, graders, synthetic data, model training, coding agents, tool-using agents, production ML systems 중 하나 이상. 열린 문제를 다루는 역량, 연구 감각과 엔지니어링 실행력을 함께 갖춘 사람. 제품 영향과 모델 행동에 관심이 있고, 가설 설정→파이프라인 구축→실험→분석→의사결정까지 수행 가능해야 함. 연구·제품·인프라·데이터·evals·안전 경계를 넘나들며 명확하게 소통할 수 있어야 함. 우대: 대규모 모델 학습/런칭, 멀티에이전트 시스템, 생산 유사 환경에서의 디버깅 및 개선 경험.