Wir verwenden technische Cookies und das anonymisierte Besuchsprotokoll von Zorky. Yandex Metrica (Daten werden auf Servern in Russland gespeichert) läuft nur mit Ihrer Einwilligung. Wir verkaufen keine Daten. Mehr zu Cookies und Statistik.
Zorky läuft im Testmodus — alles ist kostenlos. Stellen und Unternehmensseiten sind für alle offen; Links zu den Anzeigen und Ihre persönliche Stellenauswahl gibt es nach der Registrierung. Registrieren →
← Alle Stellen

Expert Talent Pool, Evals and Benchmarks

Seniorremote~$21.7K /moremoteheute
Markteinblicke
📊 QA / Testing: Gehälter und Nachfrage am Markt
Stack
helmpythonux research
Details
Erfahrung
ab 5 Jahren
Englisch
erforderlich
Unternehmen und Link anzeigen
Kostenlos, nach der Anmeldung.
Bewerben
Laden Sie Ihren Lebenslauf hoch — Arbeitgeber und Recruiter aus verschiedenen Ländern, die Ihr Profil suchen, können Sie direkt kontaktieren.
Lebenslauf senden →
Beschreibung
About the Role

Join a network of senior evaluation experts supporting AI research projects. You will lead benchmark design, validation, and grading operations when projects align with your expertise, helping produce rigorous and reliable assessments of AI models.

What You'll Do

Design benchmarks, including their scope, question types, difficulty levels, and scoring methods.

Write and review rubrics to support consistent grading.

Develop gold-standard answers and test sets that hold up to expert review.

Lead grading rounds by calibrating graders, measuring agreement, and resolving disputes.

Analyze model failures, identify root causes, and recommend improvements.

Design and conduct rigorous model comparison studies.

Validate benchmarks for contamination, ambiguity, and saturation.

Design user studies on how people rate and interact with model outputs.

What We're Looking For

At least 5 years of experience in evaluation, testing, or assessment, or at least 5 years of domain expertise combined with hands-on evaluation work.

Experience designing a benchmark, test plan, exam, or assessment used by others.

Experience writing or reviewing rubrics and gold-standard answers, and reviewing or leading graders or question writers.

Proficiency in Python and evaluation tools such as Inspect, lm-eval-harness, HELM, or promptfoo.

Experience analyzing model or test failures and recommending fixes.

Background in ML evaluation, QA, test engineering, psychometrics, assessment design

Vollständige Beschreibung, Unternehmen und Bewerbungslink — nach der Anmeldung. Anmelden
Kontaktdaten des Arbeitgebers (E-Mail/Telefon/Telegram) sind in der öffentlichen Vorschau ausgeblendet. Senden Sie Ihren Lebenslauf — dann können Arbeitgeber Sie direkt kontaktieren.
Dieses Stellenangebot melden
Dringende Frage? Schreiben Sie @termdocs