עדיין מחפשים עבודה במנועי חיפוש? הגיע הזמן להשתדרג!
במקום לעבור לבד על אלפי מודעות, Jobify מנתחת את קורות החיים שלך ומציגה לך רק משרות שבאמת מתאימות לך.
מעל 80,000 משרות • 4,000 חדשות ביום
חינם. בלי פרסומות. בלי אותיות קטנות.
Description:
About us
We build the context layer for engineering organizations. We connect code, runtime telemetry, data lineage, and operational systems into one live model of how software runs, then give AI agents that model through chat and MCP.
What you'll do
- Own the evaluation function for all Cobalt agents: code Q&A, change-impact analysis, incident response, and MCP tool use by coding agents.
- Design and build eval harnesses and benchmarks, with ground truth taken from merged PRs, production traces, and code.
- Define and track agent performance metrics: recall and precision, cost per correct answer, tool-call efficiency, latency, and failure modes.
- Run controlled comparisons across models, prompts, retrieval strategies, and baselines, with statistical rigor.
- Diagnose agent failures in retrieval, reasoning, and tool design, and drive the fixes with engineering.
- Build regression suites in CI that score every model, prompt, and connector change before release.
- Lead external research, including ownership of research papers.
- Set the research agenda and mentor future hires.
Requirements:
Requirements
- 7+ years in ML/NLP research or applied AI, including evaluating LLMs or agents.
- A track record of designing benchmarks: task sampling, contamination control, scoring methods, and power analysis.
- Deep knowledge of agent architectures: tool use, retrieval, multi-step planning, MCP or similar protocols.
- Expert Python, and production-quality eval infrastructure you have shipped.
- Experience leading research projects end to end, from design to publication or product.
Nice to have
- Publications at NeurIPS, ICLR, ACL, ICSE or FSE on LLM evaluation, code intelligence or agents.
- Experience with repo-level code benchmarks (SWE-bench-style).
- Experience with LLM-as-judge methods and their known failure modes.
- A background in distributed systems, observability data, or large codebases.
Why join
- Enterprise ground truth: thousands of repos, live traces and production incidents.
- Your evals decide what ships.
- A founding role in the research function.
במקום לעבור לבד על אלפי מודעות, Jobify מנתחת את קורות החיים שלך ומציגה לך רק משרות שבאמת מתאימות לך.
מעל 80,000 משרות • 4,000 חדשות ביום
חינם. בלי פרסומות. בלי אותיות קטנות.
שאלות ותשובות עבור משרת Team8- Fintech Stealth Startup- Senior AI Researcher, Evaluation & Agent Performance
בתפקיד זה, תהיו אמונים על פונקציית ההערכה עבור כל סוכני Cobalt, כולל שאלות ותשובות קוד, ניתוח השפעת שינויים, תגובה לאירועים ושימוש בכלי MCP על ידי סוכני קידוד. התפקיד כולל גם תכנון ובניית רתמות הערכה ומדדי ביצוע, הגדרת ומעקב אחר מדדי ביצועי סוכנים, וביצוע השוואות מבוקרות בין מודלים ואסטרטגיות שונות.
משרות נוספות מומלצות עבורך
-
Team8- Fintech Stealth Startup- Senior AI Researcher, Evaluation & Agent Performance
-
תל אביב - יפו
Team8
-
-
Senior Applied AI Researcher, Digital Biology
-
תל אביב - יפו
AIpool
-
-
Senior AI Researcher
-
רמת גן
Active Fence
-
-
Senior AI Researcher JB-5377
-
תל אביב - יפו
Recruitx
-
-
Senior AI Researcher
-
תל אביב - יפו
Empiric Earth
-
-
Sr. Principal AI Researcher, AI Transformation
-
תל אביב - יפו
Cyber Ark Software Ltd
-