LLMトレーニングエンジニア（シニア / Post-training ）

仕事概要

【この求人を一言でいうと】
Recho（レコー）のAIモデルを、特訓（ポストトレーニング）で自社向けにもっと賢くするLLMトレーニングエンジニアのポジションです。学習の手法・“採点”のしくみ（報酬設計）・教材（学習データ）を自ら設計し、モデルの賢さそのものに責任を持ちます。汎用AIを自社ユースケースに最適化し、将来はその性能をAPIとして外部提供する事業化も見据えます。チーム内の公用語は英語（日本語不問）で、年収は1,000万～2,000万円（応相談）。勤務地は原則として、半蔵門オフィス（ハイブリッド前提）です。ただし、海外居住者や遠方の方からのご応募、フルリモート・ビザ取得サポート等についても柔軟に相談に応じます。

■こんな経歴の方に向いています

機械学習エンジニア／リサーチャーとして、LLMの学習（特にポストトレーニング）に深く従事してきた方
SFT・選好最適化・RLHFを本番モデルに適用し、リリースまで経験した方
情報系・数理系のバックグラウンド（修士／博士、または同等の実務経験）で、国際会議発表やOSS実績がある方

■役割：ポストトレーニングでLLMを自社ユースケースに最適化し、モデル品質に責任を持つ
Rechoでは、汎用のLLMをそのまま使うのではなく、ポストトレーニングで自社のユースケースに最適化し、プロダクトへ深く組み込んでいます。本ポジションの中心的なミッションは、SFT・選好最適化・強化学習（RL）といった学習手法を設計・実装・運用し、単一モデルのポストトレーニングにおける学習品質に責任を持つことです。

報酬設計（報酬モデル・RLVR・LLM-as-a-Judge）や学習データの品質・混合比の設計、ポストトレーニングのアルゴリズム自体の改良（損失関数・KLペナルティ・advantage推定の改善、学習の安定化）まで、モデルを賢くするコアに踏み込んでいただきます。
さらに、ここで得た性能をAPIとして外部提供し、事業の第二の柱に育てていく構想もあります。long CoT・reasoning、tool use・function callingなど、エージェント用途のポストトレーニングも対象です。

【このポジションで「やらないこと」】

オンラインサービスのSLA管理、オンコール、障害復旧、インフラ保守を主目的とするポジションではありません
GPUクラスタそのものの保守運用、一般的なSRE／DevOps業務は主業務ではありません（運用保守は別チームが担当します）
学習・推論を回す基盤システムそのものの構築（Rollout基盤・重み同期・GPUリソース配分）は別ポジション「RL基盤エンジニア」が担当します（本ポジションは学習アルゴリズム・報酬・データに責任を持ち、基盤チームと連携します）
事前学習（Pre-training）をゼロから行うことは主務ではありません（ポストトレーニングが中心です）

■お任せしたい主な業務
1. ポストトレーニングの設計・実装・運用

SFT／選好最適化（DPO・KTO・ORPO・SimPO 等）／オンラインRL（PPO・GRPO・RLOO 等）の設計・実装・運用
long CoT／reasoning、tool use・function calling・エージェント用途のポストトレーニング
ポストトレーニングのアルゴリズム改良（損失関数・KLペナルティ・advantage推定の改善、学習の安定化・サンプル効率の改善）

2. 報酬設計

報酬モデル、RLVR（検証可能報酬）、LLM-as-a-Judge パイプラインの構築
報酬ハッキング・報酬の過最適化の検知・分析・対処

3. 学習データの品質管理

合成データ生成とデータ品質管理（混合比の最適化、難易度制御、重複除去、ベンチマーク汚染検査）
選好データ・合成データの生成・フィルタリング

4. 評価基盤の内製化

製品品質と相関する社内評価セットの新規設計
評価基盤の設計・内製化、人手評価・A/Bテストの設計とアノテーションガイドライン整備

※より詳細な業務内容については、カジュアル面談や面接の際にお話しさせていただきます。

■このポジションの魅力
1. モデルを賢くする“コア”に責任を持てる
汎用LLMを自社ユースケースに最適化する学習アルゴリズム・報酬・データのコアを担い、単一モデルのポストトレーニング品質に責任を持てます。基盤を使うのではなく、モデルの賢さそのものを設計する立場です。

2. 事業の第二の柱を一から作れる
ポストトレーニングで得た性能をAPIとして外部提供し、事業の第二の柱に育てる構想。プロダクト最適化から事業化までを見据えて動けます。

3. 最先端の手法を本番で回せる
GRPO等のオンラインRL、long CoT・reasoning、エージェント用途のポストトレーニングなど、トップラボ水準の手法を、大手企業が本番運用するプロダクトに直接適用できます。

■利用サービス・技術スタック一覧

言語・実装：Python ／ PyTorch
学習手法：SFT ／ DPO・KTO・ORPO・SimPO ／ PPO・GRPO・RLOO
報酬・評価：報酬モデル／ RLVR（検証可能報酬）／ LLM-as-a-Judge
RL・分散学習：verl ／ OpenRLHF ／ TRL ／ FSDP ／ DeepSpeed ／ Megatron-LM
ロールアウト推論：vLLM ／ SGLang
実験管理・リソース：Weights & Biases 等／ Slurm ／ Kubernetes

■プロダクトの優位性について
人間と区別がつかないレベルの自然な対話を実現する「Recho AI Voice Platform」の開発と、大手企業への「Voice AI Agent」の導入・運用支援を行っています。
最大の強みは、高品質なAI Agentを効率よく構築・改善できるプロダクト基盤にあります。業界の暗黙知を吸収し、ユーザーからのフィードバックデータをもとに、継続改善のサイクルを圧倒的な速度で回せる仕組みです。この技術により、金融・メーカー・行政などの実業務において複雑で大規模なコールセンターのAI化が急速に拡大しており、人間のオペレーターへの引き継ぎゼロ（完結率100%）を達成したプロジェクト実績もあります。

■面接・選考プロセス
カジュアル面談 ⇒ ケース課題・一次面接 ⇒ トライアル業務委託* ⇒ 最終面接 ⇒ オファー面談
*トライアル業務委託は、1日〜連続2日間オフィスにお越しいただき、実際にオフィスで業務に取り組んでいただく機会です（有償）。メンバーと協働し、カルチャーマッチと業務理解を確認し合う期間です。
※場合によってリファレンスチェックを依頼させていただくことがございます
※スケジュールや副業規定で業務委託が難しい場合には、ご相談くださいませ

■Rechoについて
Rechoは、カスタマーサポート領域の効率化を牽引する「AI Agent」の基盤モデル開発から、顧客への実装・プロジェクトデリバリーまでを同一組織内で一気通貫で行うテクノロジー企業です。

現在は、フルスクラッチで自社開発した「音声AI」技術を最大の強みとし、業界の長年の課題であった品質とコストのトレードオフを解消するソリューションをエンタープライズ向けに提供しています。シリーズAで約7億円の資金調達を完了し、SBI新生銀行やKDDIといった大手企業のシビアな本番環境への社会実装を急進させているフェーズです。

Rechoについて詳しく知りたい方に向けて、会社やプロダクトに関する公開情報をまとめたページをご用意しました。このページでは、弊社の事業内容やプロダクトの詳細、所属メンバーについてご覧いただけます。

■参考情報

必須スキル

※語学力：英語を用いた、専門的な技術コミュニケーション能力
※海外在住者の応募歓迎：日本への移住を伴う場合、就労ビザの取得支援およびリロケーションサポートを提供します

ポストトレーニングの設計・実装（SFT・選好最適化・RL）

LLMに対しSFT・選好最適化（DPO 等）を本番モデルに適用し、リリースまで完遂した経験
RLHF／RLAIFを理論と実装の両面で理解していること（PPO・GRPOを実装レベルで説明でき、KLペナルティ設計や報酬ハッキングに実際に対処した経験）
ポストトレーニングのアルゴリズムを自ら改良・最適化した経験（損失関数やKLペナルティ・advantage推定の改良、学習の安定化・サンプル効率の改善）

報酬設計・評価

報酬設計・報酬モデル構築の経験（報酬モデルの学習、RLVR、LLM-as-a-Judge）と、報酬ハッキング・過最適化を検知・分析し改善した経験
ベンチマークスコアに留まらず、製品品質と相関する評価指標を自ら定義した経験

学習データ・分析

学習データの品質・混合比がモデル性能を左右する前提で、データパイプラインを設計・改善した経験（選好／合成データの生成、フィルタリング、難易度制御、重複除去、ベンチマーク汚染検査）
学習データ・モデル出力を定量的に分析し、失敗パターンの原因を特定してデータ・報酬の改善につなげた経験（エラー分析、アブレーション設計）

分散学習・実装力

PyTorchによる分散学習の実務経験（FSDP／DeepSpeed／Megatron-LM のいずれか）で、マルチノード学習を自ら設計・デバッグした経験
PythonおよびPyTorchでの高品質な実装力

歓迎スキル

モデル・手法の広がり

マルチモーダル（画像・音声）のポストトレーニングの経験
日本語特化モデル、トークナイザ設計、継続事前学習の経験
推論最適化（量子化、投機的デコーディング、KVキャッシュ最適化）の知見

大規模運用・実績

大規模クラスタでの学習安定化・障害対応の経験
主要国際会議（NeurIPS／ICML／ICLR／ACL 等）での発表、またはOSS・技術ブログでの顕著な実績

語学・コミュニケーション

日本語または中国語でのコミュニケーション能力
※本チームの公用語は英語ですが、日本語（会社の公用語）や中国語（中国語話者の社員も多数在籍）でのコミュニケーションが可能な方は、社内連携においてより歓迎します。

求める人物像

■求める人物像

データと数値で原因を突き止める： ベンチマークの数字に留まらず、失敗パターンの原因をデータと実験で特定し、報酬・データの改善につなげられる方
アルゴリズムを自ら改良できる： 既存手法をそのまま使うだけでなく、損失関数や報酬設計まで踏み込んで改良できる方
製品品質から逆算できる： 製品品質と相関する評価を自ら定義し、そこから学習を設計できる方
研究と本番適用の両取り： 最先端の手法を、本番モデルのリリースまで完遂できる方

■大切にしている4つの価値観に共感いただける方
Rechoの提供価値を最速で最大化するために、チームで大切にしているバリューをご紹介します。

Exceed Expectations
顧客と仲間の期待を、スピードと品質の両立で超え続ける。

Team-First
一人ひとりがプロとしての責任を果たし、個人ではなくチームの成果を最大化する。

Continuous Feedback
成果のために本気で向き合い、率直に伝え合う。言いにくいことこそ、敬意と配慮をもって誠実に伝え続ける。

Earn Trust
信頼は、すべての協力と挑戦の土台である。道徳的に判断し、公私混同しない。信頼を築くのには時間がかかり、失うのは一瞬。

応募概要

給与

前職の給与水準、スキルレベル等を総合して報酬を決定いたします。

年俸制：1,000万円～ 2,000万円
昇給：あり（年1回を基本とし、本人の貢献、会社の業績によって決定）
SO（ストックオプション）制度あり

勤務地

半蔵門WeWork（東京都千代田区麹町2-3-2 半蔵門PREX North）
出社推奨（一部リモートワーク可能）

雇用形態

正社員

勤務体系

■勤務時間

勤務時間（専門業務型裁量労働制）
みなし労働時間：1日9時間
始業・終業時刻：労働者の決定に委ねる（業務上の必要に応じて10:00～19:00を基本勤務時間帯として運用）

■職務内容・就業場所について

業務内容：（雇入れ直後）LLMポストトレーニング（学習アルゴリズム・報酬・データ）の設計・開発業務
　　　　　　（変更の範囲）会社の定める業務
就業場所：（雇入れ直後）半蔵門WeWork（一部リモート相談可能）
　　　　　　（変更の範囲）会社の定める場所

■休日休暇
土日、祝日、年末年始（12月29日〜1月3日）、特別休暇、有給休暇（初年度10日）

試用期間

3ヶ月間（条件変更なし）

福利厚生

■保険・制度

各種社会保険完備
通勤手当有（月額25,000円まで）

■オフィス環境

WeWork入居（半蔵門駅徒歩2分／占有フロア・集中ブース・会議室完備）
館内ドリンク無料（コーヒー・ソフトドリンクに加え、アルコールも利用可）
高品質オフィスチェア完備
MacBook Air + 外部ディスプレイ貸与

■生産性向上サポート

Claude Code / Cursor / Devin などの開発ツール提供
AIツール利用補助（月3万円まで）
Amazon Business アカウント利用可（業務上必要な書籍・備品購入）

■コミュニケーション施策

日次開催の「昼会」　：業務進捗だけでなく、気軽なテーマの雑談も含めて相互理解を深化
月次開催の「懇親会」：月初金曜の終業後にオフィスで開催。軽食を交えた懇親

■受動喫煙防止措置
屋内原則禁煙（屋外に喫煙所あり）

LLMトレーニングエンジニア（シニア / Post-training ）