Мы используем технические cookie и обезличенный журнал посещений Zorky. Яндекс Метрику (данные хранятся на серверах в РФ) включаем только с вашего согласия. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. Вакансии и страницы компаний открыты всем; ссылки на объявления и личная подборка — после регистрации. Зарегистрироваться →
← Все вакансии

Expert Talent Pool, Evals and Benchmarks

Seniorremote~$21.7K /moremoteсегодня
Аналитика рынка
📊 QA / Testing: зарплаты и спрос на рынке
Стек
helmpythonux research
Условия
Опыт
от 5 лет
Английский
обязателен
Показать компанию и ссылку
Бесплатно, после входа в кабинет.
Откликнуться
Загрузите резюме — работодатели и рекрутеры из разных стран, которым нужен ваш профиль, смогут написать вам напрямую.
Отправить резюме →
Описание
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

Полное описание, компания и ссылка на вакансию — после входа. Войти
Контакты работодателя (email/phone/telegram) скрыты из публичного превью. Отправьте резюме — и работодатели смогут написать вам сами.
Пожаловаться на вакансию
Срочный вопрос? Напишите @termdocs