Auf einen Blick
Post-Training Engineer (Audio) bei Liquid AI: Adaptiere Audio Foundation Models für Enterprise Customer Deployments. Function Calling und Voice-Driven Automation Focus.
💰 $140.000–200.000/Jahr
📊 Senior
🕒 Vollzeit
🌍 Remote
🗺️ Americas
- Praktische Post-Training Erfahrung (SFT/Preference/RL)
- Data Generation und Evaluation Pipelines
- Function Calling oder Tool Use Training
- Audio Models Nice-to-Have
machine-learning
audio
python
pytorch
function-calling
✅ Geeignet für
- ML Engineers mit Post-Training Erfahrung
- Audio ML Engineers mit Function Calling Interest
- Leute, die Voice-Driven Applications bauen
🚫 Weniger geeignet
- Pure Text-Fokussierte Engineers
- Leute ohne Post-Training Erfahrung
- Leute ohne Customer Delivery Mindset
💡 Gut zu wissen
- Audio Frontier: Voice-to-Text-to-Tool-to-Voice Pipeline
- Function Calling bei Audio ist Nische, aber Growing
- Enterprise Constraints: On-Device, Real-Time, Low-Latency
Über das Unternehmen
Liquid AI, ausgegründet aus MIT CSAIL, baut effiziente AI-Systeme für verschiedene Deployment-Ziele. Das Unternehmen skaliert schnell und bringt Audio Models zu Enterprise Customers.
Deine Aufgaben
- Technical Owner für Enterprise Audio Post-Training Engagements
- Customer Requirements in Post-Training Specifications und Workflows übersetzen
- Function Calling für Audio Models designen: Spoken User Intent zu Structured Tool Calls
- Data Pipelines für Speech-to-Speech und Text-to-Text bauen: Synthetic Dialogue, Function Calling Examples, Intent-Action Pairs
- Supervised Fine-Tuning, Preference Alignment und Reinforcement Learning auf Audio Language Models ausführen
- Task-spezifische Audio Function Calling Evaluationen designen und Learnings zurück in Core Pipelines geben
Deine Voraussetzungen
- Praktische Erfahrung mit Post-Training für Language Models (SFT, Preference Alignment, RL)
- Erfahrung mit Data Generation und Evaluation Pipelines
- Starke Intuition für Data Quality und Evaluation Design
- Vertrautheit mit Function Calling, Tool Use oder Structured Output Training
- Nice-to-Have: Speech/Audio Language Models Erfahrung
- Nice-to-Have: Customer-Facing oder Applied ML Delivery Experience
