독자 AI파운데이션 모델 개발 Internship (World Best LLM)
프로젝트 소개
LG AI연구원 EXAONE Lab에서 Global Frontier 수준의 K-EXAONE 모델을 만들어가는 여정에 함께 하실 분을 찾고 있습니다.
K-EXAONE 모델이 만들어지는 과정에서 사전학습부터 사후학습, 평가까지 모델 개발 전반을 가까이에서 경험하며, 모델의 부족한 능력을 발견하고 이를 개선하는 업무에 참여하게 됩니다.
수행 업무
- Agent / Tool Use
- Coding, Agentic coding, Tool use 등 실제 업무 수행에 필요한 Agent 성능 고도화
- 장기 task 수행, Multi-step tool interaction, workflow execution 등 실제 사용 환경 중심의 평가 및 개선
- Evaluation / Benchmark Analysis
- 기존·신규 벤치마크를 기반으로 K-EXAONE 모델의 capability를 정량·정성적으로 평가
- Benchmark 별 성능 차이와 failure case를 분석하여 모델의 강점·약점 및 개선이 필요한 capability를 진단
- 평가 결과를 데이터 구축, 학습 등의 모델 개선 방향으로 연결하고 필요한 신규 평가 방법 및 Benchmark 고도화
- Reasoning / Knowledge
- Graduate, expert 수준의 전문 지식 관련 reasoning task의 성능 고도화
- 영어 중심 벤치마크에서 Korean, Multilingual로 확장되는 기존/신규 벤치마크 구축 및 성능 고도화
- Long Reasoning
- 장문 문서, 다중 문서, 긴 대화에서의 retrieval, understanding, multi-hop reasoning 성능 고도화
이런 분을 찾습니다
- 모델을 분석하여 부족한 부분을 발견하고 이를 보완할 수 있는 데이터 생성 및 필터링, quality control 경험자
- Reasoning, math, coding, tool, agent 관련 데이터 또는 벤치마크를 직접 제작하고 결과를 분석해 성능을 개선해 본 경험자
- Pre-training / mid-training / SFT / RL 등의 학습 단계를 이해하고 과정별 고품질 데이터를 구축해 본 경험자
- lm-evaluation-harness, vLLM, SGLang 등 LLM evaluation / inference framework 사용 경험자
- 논문, 오픈소스 프로젝트, AI/ML 대회 등의 연구·개발 경험자
함께하게 된다면
AI연구원은 본인이 맡은 벤치마크 점수만 높이는 것보다 최종 모델의 전체 성능을 다함께 높이는 것을 중요하게 생각합니다.어떤 실험은 기대보다 훨씬 좋은 결과를 만들기도 하고, 어떤 실험은 많은 시간을 들였음에도 성능으로 이어지지 않을 수 있습니다.개별 영역의 최적해가 전체 모델의 최적해와 다를 수도 있습니다. 그 과정에서 화려하거나 새로운 방법 자체보다는, 때로는 지루할 만큼 꼼꼼한 분석과 반복적인 검증이 필요하더라도 실제 모델의 성능을 개선하고 팀에 큰 가치를 만드는 방법을 중요하게 생각합니다.빠르게 실험하고, 결과를 분석하고, 다시 다음 가설을 만드는 과정을 즐기며 혼자서는 만들기 어려운 큰 모델의 성능을 팀과 함께 끌어올리는 경험을 해보고 싶은 분을 기다립니다.
지원자격
우대사항
- AI 분야 석사 학위 소지자
- AI 관련 top-tier 학회(예: NeurIPS, ICML, ICLR, AAAI, CVPR, ACL 등) 1저자 논문 게재 경험
- 10B 이상 크기의 LLM 또는 LMM을 pre-training 및 post-training 수행한 경험 보유
- LLM 또는 LMM을 활용한 과제 수행 경험 보유
근무지
전형 절차
- 서류심사 → 코딩테스트 → 기술 인터뷰(온라인) → 최종 합격
* 전형 절차는 변경될 수 있습니다. 서류 합격 시 전형 절차에 대해 별도로 안내 해 드립니다.
현재 LG AI연구원은 병역지정업체가 아니므로, 전문연구요원 채용 및 전직이 불가함을 알려드립니다.
지원 시 문제가 있을 경우 careers@lgresearch.ai 로 문의 부탁드립니다.
- RELATED