W skrócie
- Zadania: Twórz innowacyjne benchmarki i prowadź badania w dziedzinie oceny modeli AI.
- Firma: Anyone AI Labs - lider w dziedzinie sztucznej inteligencji.
- Benefity: Praca zdalna, elastyczne godziny, konkurencyjne wynagrodzenie i możliwości publikacji.
- Pozostałe informacje: Dynamiczne środowisko z możliwością rozwoju kariery i współpracy z ekspertami.
- Dlaczego ta praca: Zmieniaj przyszłość AI, pracując nad najtrudniejszymi problemami oceny modeli.
- Kwalifikacje: Doświadczenie w badaniach ML oraz umiejętności w zakresie oceny i benchmarkingu.
Przewidywane wynagrodzenie mieści się w przedziale 135000 - 165000 zł za rok.
Research Scientist, LLM Evaluations & Benchmarking Anyone AI Labs Reports to: CEO · Remote / Lat Am / US
The role Evaluation is one of the hardest open problems in AI: we still don't have reliable ways to measure what frontier models can and can't do, and the field mostly runs on benchmarks that are saturated, contaminated, or measuring the wrong thing.
You'll own that problem at Anyone AI, measuring frontier model capability.
This is a research role at heart: you decide what a good evaluation is , design the benchmarks that prove it, and defend the methodology under lab scrutiny.
You'll build frontier-grade evaluation packages across reasoning, coding, agents, tool use, and multi-modal — grounded in expert-verified truth, validated against multiple models, and QC'd to survive buyer-side review.
Responsibilities
Evaluation research.
Turn eval targets into original benchmark designs.
Own the hard measurement questions: construct validity, item discrimination, headroom, reliability, contamination, and capability elicitation.
Push toward evals that stay informative as models improve.
Benchmark development.
Build evaluation packages with subject‑matter experts, each with expert‑verified ground truth, multi‑model headroom results, and rigorous QC (calibration layers, severity‑weighted rubrics, deterministic verifiers).
Experts. Recruit, calibrate, and review a pool across coding, agentic/tool‑use, and STEM/reasoning. Be the final arbiter of correctness and frontier difficulty.
Lab relationships. Be a technical point of contact for labs, with CEO support. Understand what they're trying to measure and translate it into an evaluation design.
Delivery & dissemination.
Turn lab requests into winning sample packages and own pilots end to end.
Where the work generalizes, help turn it into public benchmarks and papers: we support publishing at venues like Neur IPS Datasets & Benchmarks, ICLR, and ACL.
What we're looking for
Research background in ML evaluation or benchmarking (a track record of published or open benchmarks, eval/measurement research, or equivalent hands‑on work that labs have relied on).
Deep LLM/frontier-model benchmarking expertise, with real strength in code-model and agentic evaluation.
Fluency with the measurement problem itself: construct validity, psychometrics, rubrics, pass rates, headroom, contamination, and what makes a task genuinely discriminate a model.
Interest in the safety side of evaluation, capability elicitation, robustness, and measuring the things that are hardest to measure honestly.
Proven ability to hold a team or expert pool to a rigorous standard.
Comfort with the full research loop: framing the question, running the study, and writing it up.
Fluent English; Spanish a plus.
#J-18808-Ljbffr
Research Scientist – Remote in Katowice – pracodawca: Anyone AI Inc.
Nasza firma to doskonały pracodawca, który oferuje unikalną możliwość pracy nad zaawansowanymi projektami w dziedzinie AI w dynamicznym środowisku. Oferujemy elastyczne godziny pracy, wsparcie w rozwoju zawodowym oraz dostęp do najnowszych narzędzi i technologii, co sprzyja innowacyjności i kreatywności. Pracując z nami, będziesz częścią zespołu, który ceni różnorodność myślenia i dąży do tworzenia rzeczywistych rozwiązań w obszarze fizyki i AI.
