H-1BGreen card em andamento para este cargo
REG. 2082262
Pesquisa, Dados de Pré-Treinamento
Thinking Machines Lab Inc.
- Local: San Francisco, CA
- Área: Ciências & Pesquisa
- Visto provável: H-1B
- Vaga vista pela última vez em 18/07/2026
Cargo de pesquisa em San Francisco; empresa com 5 aprovações de LCA nos últimos 12 meses.
Cadastro grátis — o contato e o link oficial da vaga ficam no portal.
Descrição da vaga
Tradução automática do anúncio original do empregador.
<div class="content-intro"><p data-pm-slice="1 1 []"> A missão do Laboratório de Máquinas de Pensar é capacitar a humanidade através do avanço da inteligência geral colaborativa. Estamos construindo um futuro onde todos têm acesso ao conhecimento e ferramentas para fazer a IA funcionar para suas necessidades e objetivos únicos.
<p>Somos cientistas, engenheiros e construtores que criaram alguns dos produtos de IA mais usados, incluindo ChatGPT e Character.ai, modelos de pesos abertos como Mistral, bem como projetos populares de código aberto como PyTorch, OpenAI Gym, Fairseq e Segment Anything.</p></div><h2>Sobre o Papel</h2>
O papel dos pesquisadores pré-treinamento está no cerne do nosso roteiro. Este trabalho combina pesquisa com engenharia de dados em larga escala para ajudar a montar os conjuntos de dados e sistemas de dados pré-treinamento que sustentam a próxima geração de modelos de IA. Você projetará e implementará métodos de fornecimento, curadoria e análise de dados pré-treinamento para qualidade e desempenho.</p>
Você trabalhará com tubulações automatizadas e processos humanos no circuito, contribuindo tanto para o conhecimento científico quanto para o código de qualidade de produção. É ideal para alguém que gosta de trabalhar na intersecção de dados, aprendizado de máquina e sistemas, e que está animado com o desafio de moldar a fronteira IA.</p>
<p> Este papel combina investigação fundamental e engenharia prática, uma vez que não distinguimos internamente entre os dois papéis. Espera-se que você escreva código de alto desempenho e leia relatórios técnicos. É um excelente ajuste para alguém que gosta de exploração teórica profunda e experimentação prática, e que quer moldar as bases de como a IA aprende.</p>
<p><em> Nota: Este é um "papel sempre verde" que mantemos aberto em uma base contínua para expressar interesse nesta área de pesquisa. Recebemos muitas aplicações, e pode nem sempre haver um papel imediato que se alinha perfeitamente com sua experiência e habilidades. Ainda assim, encorajamos você a se candidatar. Revisamos continuamente os pedidos e contatamos os candidatos como novas oportunidades abertas. Você é bem-vindo para reaplicar se você tiver mais experiência, mas por favor evite aplicar mais de uma vez a cada 6 meses. Você também pode descobrir que colocamos postagens para papéis singulares para necessidades específicas separadas, projeto ou equipe. Nesses casos, você é bem-vindo para aplicar diretamente, além de um papel evergreen.</em></p>
<h2>O que você vai fazer</h2>
<ul>
<li>Desenhe e implemente técnicas para curadoria, fornecimento e filtragem de texto, código e dados multimodais em larga escala.</li>
Desenvolva métricas de qualidade de dados e análise para medir cobertura, diversidade e representatividade entre fontes.</li>
Colaborar com equipes de pesquisa e infraestrutura para dimensionar sistemas de processamento de dados de forma eficiente e reprodutível.
<li> Investigar e mitigar os riscos de dados, incluindo questões de privacidade, segurança e licenciamento, para garantir o uso responsável e ético dos dados.</li>
<li>Avaliar continuamente melhorias no conjunto de dados analisando seus efeitos a jusante sobre a aprendizagem e comportamento do modelo.</li>
<li>Publicar e presente pesquisa que move toda a comunidade para a frente. Compartilhe código, conjuntos de dados e insights que aceleram o progresso em toda a indústria e academia.</li>
</ul>
<h2>Competências e Qualificações</h2>
<p><forte>Qualificações mínimas:</forte></p>
<ul>
<li> Proficiência em Python e familiaridade com pelo menos uma estrutura de aprendizagem profunda (por exemplo, PyTorch, TensorFlow, ou JAX). Confortável com o treinamento distribuído de depuração e código de escrita que escala.</li>
<li> Grau de bachelor ou experiência equivalente em Ciência da Computação, Aprendizagem de Máquinas, Física, Matemática, ou uma disciplina relacionada com forte fundamentação teórica e empírica.</li>
<li>Claridade na comunicação, uma capacidade de explicar conceitos técnicos complexos por escrito.</li>
</ul>
<p><forte> Qualificações preferenciais — encorajamo-lo a candidatar-se mesmo que não satisfaça todas as qualificações preferenciais, mas pelo menos algumas:</forte></p>
<ul>
<li> Uma forte compreensão dos fundamentos de probabilidade, estatística e ML. Você pode olhar para dados experimentais e distinguir entre efeitos reais, ruído e bugs.</li>
<li>Experiência com curação, pré-processamento e análise de conjuntos de dados multimodais em grande escala.</li>
Experiência anterior em engenharia de dados, construção de conjuntos de dados ou processamento de dados web em larga escala para modelos de aprendizado de máquina.</li>
<li> Experiência na avaliação ou melhoria da qualidade dos dados de treinamento e conhecimento de estruturas de ética, segurança e licenciamento de dados relevantes para a criação de conjuntos de dados de IA.</li>
<li>Contribuições para abrir conjuntos de dados, publicações de pesquisa ou ferramentas de dados.</li>
<li>PhD em Ciência da Computação, Aprendizado de Máquinas, Física, Matemática, ou uma disciplina relacionada com forte fundamentação teórica e empírica; ou, experiência equivalente de pesquisa da indústria.</li>
</ul>
<h2>Logística</h2>
<ul>
<li><forte>Localização: </forte> Este papel é baseado em São Francisco, Califórnia.
<li><forte>Compensação:</forte> Dependendo de antecedentes, habilidades e experiência, a faixa salarial anual esperada para esta posição é <span data-sheets-root="1">$350.000 - $475.000</span> USD.</li>
<li><forte>Visa patrocínio: </forte> Nós patrocinamos vistos. Embora não possamos garantir sucesso para cada candidato ou papel, se você é o ajuste certo, estamos comprometidos em trabalhar através do processo de visto juntos.</li>
<li><forte>Benefícios: </forte> O Thinking Machines oferece benefícios de saúde, odontologia e visão generosos, PTO ilimitado, licença parental paga e apoio de relocação conforme necessário.</li>
</ul><div class="content-conclusion"><p><em> Conforme estabelecido na política de igualdade de oportunidades de emprego das Máquinas de Pensar, não discriminamos com base em qualquer estatuto de grupo protegido ao abrigo de qualquer lei aplicável. </em></p>
<p><em> O Laboratório de Máquinas de Pensar considerará para candidatos qualificados para o emprego com histórico criminal de uma forma consistente com os requisitos da lei de chance justa da Califórnia, a Portaria de chance justa de São Francisco, e qualquer outra lei ou lei de chance justa aplicável do estado ou local.</em></p></div>
Ver o texto original em inglês
<div class="content-intro"><p data-pm-slice="1 1 []">Thinking Machines Lab's mission is to empower humanity through advancing collaborative general intelligence. We're building a future where everyone has access to the knowledge and tools to make AI work for their unique needs and goals. </p>
<p>We are scientists, engineers, and builders who’ve created some of the most widely used AI products, including ChatGPT and Character.ai, open-weights models like Mistral, as well as popular open source projects like PyTorch, OpenAI Gym, Fairseq, and Segment Anything.</p></div><h2>About the Role</h2>
<p>The role of pre-training researchers sits at the core of our roadmap. This work blends research with large-scale data engineering to help assemble the pre-training datasets and data systems that underpin the next generation of AI models. You’ll design and implement methods for sourcing, curating, and analyzing pre-training data for quality and performance.</p>
<p>You’ll work with automated pipelines and human-in-the-loop processes, contributing both scientific insight and production-grade code. It’s ideal for someone who enjoys working at the intersection of data, machine learning, and systems, and who’s excited by the challenge of shaping frontier AI.</p>
<p>This role blends fundamental research and practical engineering, as we do not distinguish between the two roles internally. You will be expected to write high-performance code and read technical reports. It’s an excellent fit for someone who enjoys both deep theoretical exploration and hands-on experimentation, and who wants to shape the foundations of how AI learns.</p>
<p><em>Note: This is an "evergreen role" that we keep open on an on-going basis to express interest in this research area. We receive many applications, and there may not always be an immediate role that aligns perfectly with your experience and skills. Still, we encourage you to apply. We continuously review applications and reach out to applicants as new opportunities open. You are welcome to reapply if you get more experience, but please avoid applying more than once every 6 months. You may also find that we put up postings for singular roles for separate, project or team specific needs. In those cases, you're welcome to apply directly in addition to an evergreen role.</em></p>
<h2>What You’ll Do</h2>
<ul>
<li>Design and implement techniques for curating, sourcing, and filtering large-scale text, code, and multimodal data.</li>
<li>Develop data quality metrics and analysis to measure coverage, diversity, and representativeness across sources.</li>
<li>Collaborate with research and infrastructure teams to scale data processing systems efficiently and reproducibly.</li>
<li>Investigate and mitigate data risks, including privacy, safety, and licensing concerns, to ensure responsible and ethical data use.</li>
<li>Continuously evaluate dataset improvements by analyzing their downstream effects on model learning and behavior.</li>
<li>Publish and present research that moves the entire community forward. Share code, datasets, and insights that accelerate progress across industry and academia.</li>
</ul>
<h2>Skills and Qualifications</h2>
<p><strong>Minimum qualifications:</strong></p>
<ul>
<li>Proficiency in Python and familiarity with at least one deep learning framework (e.g., PyTorch, TensorFlow, or JAX). Comfortable with debugging distributed training and writing code that scales.</li>
<li>Bachelor’s degree or equivalent experience in Computer Science, Machine Learning, Physics, Mathematics, or a related discipline with strong theoretical and empirical grounding.</li>
<li>Clarity in communication, an ability to explain complex technical concepts in writing.</li>
</ul>
<p><strong>Preferred qualifications — we encourage you to apply even if you don’t meet all preferred qualifications, but at least some:</strong></p>
<ul>
<li>A strong grasp of probability, statistics, and ML fundamentals. You can look at experimental data and distinguish between real effects, noise, and bugs.</li>
<li>Experience with curation, preprocessing, and analysis of large-scale text, code, or multimodal datasets.</li>
<li>Prior experience in data engineering, dataset construction, or large-scale web data processing for machine learning models.</li>
<li>Experience evaluating or improving training data quality and knowledge of data ethics, safety, and licensing frameworks relevant to AI dataset creation.</li>
<li>Contributions to open datasets, research publications, or data tooling.</li>
<li>PhD in Computer Science, Machine Learning, Physics, Mathematics, or a related discipline with strong theoretical and empirical grounding; or, equivalent industry research experience.</li>
</ul>
<h2>Logistics</h2>
<ul>
<li><strong>Location: </strong>This role is based in San Francisco, California. </li>
<li><strong>Compensation:</strong> Depending on background, skills and experience, the expected annual salary range for this position is <span data-sheets-root="1">$350,000 - $475,000</span> USD.</li>
<li><strong>Visa sponsorship: </strong>We sponsor visas. While we can't guarantee success for every candidate or role, if you're the right fit, we're committed to working through the visa process together.</li>
<li><strong>Benefits: </strong>Thinking Machines offers generous health, dental, and vision benefits, unlimited PTO, paid parental leave, and relocation support as needed.</li>
</ul><div class="content-conclusion"><p><em>As set forth in Thinking Machines' Equal Employment Opportunity policy, we do not discriminate on the basis of any protected group status under any applicable law. </em></p>
<p><em>Thinking Machines Lab will consider for employment qualified applicants with criminal histories in a manner consistent with the requirements of the California Fair Chance Act, the San Francisco Fair Chance Ordinance, and any other applicable state or local fair chance ordinance or law.</em></p></div>
Cadastro grátis — o contato e o link oficial da vaga ficam no portal.