기업 채용 분석/카카오

[카카오] LLM Research Engineer (Pre-training) (신입/경력) 공고 분석

자체 언어모델 Kanana의 Pre-training 단계에서 학습과 추론에 효율적인 LLM 구조를 찾고, 학습 비용을 줄이는 알고리즘과 대규모 학습 데이터 기술을 연구하는 카카오 Language Model Training팀 공고입니다. 같은 팀의 LLM Research Engineer (Post-training) 공고가 SFT·RL 같은 사후 학습과 그 학습 환경을 맡는다면, 이 공고는 Mixture of Experts 같은 모델 구조와 Fp-8 training, Pruning & Distillation, Scaling law처럼 사전 학습 단계의 효율을 다룹니다. 신입과 경력 모두 지원할 수 있고, 관련 전공 석사 이상 또는 이에 준하는 프로젝트 경험과 Model parallel 기반 학습 경험이 자격 요건입니다.

이 공고 분석은 2026년 10월 28일에 이뤄졌습니다. 이후 채용이 종료되었을 수 있습니다.

이 자리가 왜 생겼을까요

카카오는 2026년 1월 Kanana-2 모델 4종을 오픈소스로 추가 공개하며 전문가 혼합(MoE) 아키텍처를 Kanana-2 효율성의 핵심으로 소개했습니다. 같은 보도자료는 32비트나 16비트 대신 8비트 방식을 도입해 학습 효율을 높이고 있다고 밝혔습니다. 1월 보도 시점에 카카오는 수천억 파라미터 규모의 Kanana-2-155b-a17b를 학습하고 있었습니다. 카카오는 이 모델이 GLM-4.5-Air-Base 대비 40% 수준의 데이터로 학습하고도 MMLU 같은 지표에서 비슷한 성능을 보였다고 전했습니다. 이 공고의 업무는 MoE 같은 효율적 구조 탐색, Fp-8 training과 Dataset mixture search, Scaling law와 Hyperparameter transfer 연구처럼 학습 비용과 데이터를 아끼는 방법을 다룹니다. 학습 비용이나 필요한 데이터 양을 줄이면서 성능을 지킨 실험이 있다면 줄인 비율과 비교 기준을 숫자로 밝히는 것이 이 업무를 설명하는 가장 직접적인 방법입니다.

카카오가 지금 어떤 사업에 집중하고 있는지는 카카오 채용 분석에서 이어서 볼 수 있습니다.

1하게 될 업무

  • 추론과 학습에 효율적인 LLM 구조를 탐색하고 최적화합니다. 공고는 예로 Mixture of Experts, Gated Delta Net, Kimi Linear를 적었습니다.

    이렇게 볼 수 있어요

    카카오는 2026년 1월 보도자료에서 MoE 아키텍처를 Kanana-2 효율성의 핵심으로 들었습니다. 예로 든 구조 가운데 하나라도 직접 구현하거나 실험해 본 적이 있다면 기준 모델과 학습 속도·성능을 어떻게 비교했는지 자세히 적을 수 있습니다.

  • 비용 효율화를 위해 학습과 데이터를 최적화합니다(e.g., Fp-8 training, Dataset mixture search).

    이렇게 볼 수 있어요

    같은 보도자료는 8비트 방식을 도입해 학습 효율을 높이고 있다고 했습니다. 우대 사항의 Low-precision training도 같은 방향입니다. 데이터 혼합 비율을 바꿔 가며 학습 결과를 비교한 실험이 있다면 업무의 Dataset mixture search 사례로 비교에 쓴 지표와 최종으로 고른 비율을 밝힐 수 있습니다.

  • 비용 효율적인 언어 모델 학습을 위한 알고리즘을 연구하고 응용합니다(e.g., Pruning & Distillation, Hyperparameter transfer, Scaling law, Optimizer).

    이렇게 볼 수 있어요

    팀이 공고에 소개한 논문 'Let's Scale Step by Step: Compute-Efficient Hyperparameter Transfer for Large-Scale Mixture-of-Experts'가 이 업무의 Hyperparameter transfer와 같은 주제입니다. 작은 모델에서 정한 설정을 큰 모델로 옮겨 본 실험이 있다면, 옮긴 방식과 맞지 않았던 지점이 인터뷰에서 팀 연구와 함께 이야기할 거리입니다.

  • LLM 학습을 위한 대규모 데이터 수집, 생성, 메타 정보 부착 기술을 개발하고 연구합니다(e.g. Synthetic dataset generation).

    이렇게 볼 수 있어요

    메타 정보 부착이 함께 적혀 있어, 데이터에 도메인이나 난이도 같은 정보를 붙여 혼합 비율을 정하는 일이 업무의 Dataset mixture search와 이어집니다. 공고가 함께 소개한 블로그 글 '데이터는 없지만 LLM은 학습하고 싶어 - Code, Math 데이터 개발기'처럼 특정 영역의 데이터를 만든 경험이 있다면 만든 방법과 학습 결과를 함께 밝히는 게 좋습니다.

2자격 요건

  • CS/AI/ML 등 관련 전공 석사 이상이거나 이에 준하는 관련 프로젝트 경험이 필요합니다.

    이렇게 볼 수 있어요

    업무는 학습 구조·비용·데이터를 연구하는 일입니다. 학위 대신 프로젝트 경험으로 지원한다면 학습한 모델 크기와 사용한 GPU 시간이 드러나는 프로젝트가 업무 규모와 바로 비교됩니다.

  • Data/Model/Pipeline/Context/Expert Parallel 등 Model parallel 기반의 모델 학습 경험이 필요합니다.

    이렇게 볼 수 있어요

    목록의 Expert Parallel은 업무의 Mixture of Experts 구조 탐색과 이어집니다. 써 본 병렬화 방식마다 GPU 수와 모델 크기를 밝히고, MoE 모델을 학습한 경험이 있다면 따로 자세히 쓸 수 있습니다.

  • 연구·개발에 지속적인 관심을 가지고 새로운 기술과 업무에 도전하는 분이어야 합니다.

    이렇게 볼 수 있어요

    공고에는 팀 논문 세 편과 블로그 글 네 편이 함께 실려 있습니다. 새 논문의 기법을 직접 재현해 본 경험이 있다면 재현 결과가 원 논문과 어디서 달랐는지 함께 적을 수 있습니다.

3우대 사항

  • FP8/MXFP4 학습 시 수치 안정성 확보, loss scaling, tensor-wise/block-wise scaling 전략 설계 같은 Low-precision training 연구·개발 경험을 우대합니다.

    이렇게 볼 수 있어요

    이 우대는 업무의 Fp-8 training과 같은 주제입니다. 저정밀도로 학습하며 loss가 튀거나 발산한 문제를 어떤 scaling 전략으로 잡았는지를 구체적으로 설명할 수 있습니다.

  • Quantization-Aware Training(QAT)과 W4A8, W4A16 같은 저비트 양자화 환경에서 LLM을 학습한 경험을 우대합니다(e.g., STE 기반 학습, rotation/smoothing 기법 적용, PTQ 대비 품질 회복).

    이렇게 볼 수 있어요

    업무가 추론과 학습에 효율적인 구조를 찾는 일이라 학습 단계에서 양자화를 고려한 경험은 추론 비용까지 함께 다룬 경험입니다. PTQ와 QAT의 품질 차이를 직접 비교한 수치가 있다면 어떤 bit 설정에서 얼마나 회복했는지 쓸 수 있습니다.

  • logit/feature-level distillation, on-policy distillation, teacher-student 학습 파이프라인 설계 같은 Knowledge Distillation 기반 모델 압축 연구 경험을 우대합니다.

    이렇게 볼 수 있어요

    팀 논문 'No Pain, More Gain: Iterative Merging for Effective Multi-Teacher On-Policy Distillation'이 on-policy distillation을 다룹니다. 증류로 만든 모델의 성능을 teacher와 어떻게 비교했는지 정리해 두면 인터뷰에서 팀 연구와 이어서 이야기하기 쉽습니다.

  • Triton, CUDA 기반 custom kernel 같은 LLM 관련 kernel 개발 경험을 우대합니다.

    이렇게 볼 수 있어요

    kernel 개발은 업무의 구조 탐색과 학습 최적화를 연산 단위까지 내려가 다루는 일입니다. 직접 작성한 kernel이 있다면 기존 구현과 비교한 속도 차이를 숫자로 밝힐 수 있습니다.

  • Data/Model/Pipeline/Context/Expert Parallel 등 분산 학습 전략을 설계하고 Megatron-LM, DeepSpeed, FSDP 같은 프레임워크에 기여한 경험과, GPU/TPU 같은 대규모 클러스터에서 communication overlap, activation recomputation, memory-efficient optimizer로 초거대 모델 학습을 최적화한 경험을 우대합니다.

    이렇게 볼 수 있어요

    보도자료에 따르면 카카오는 2026년 1월 수천억 파라미터 규모 모델의 학습을 진행하고 있었습니다. 통신과 메모리 병목을 찾아 학습 처리량을 높인 사례가 있다면 GPU 수, 바꾼 설정, 처리량 변화를 함께 쓸 수 있습니다.

  • LLM 학습 데이터의 품질 향상과 평가를 위한 연구 개발 경험과 페타바이트 수준의 텍스트 데이터를 수집하고 분산 처리해 본 경험을 우대합니다.

    이렇게 볼 수 있어요

    데이터 품질 연구와 대규모 처리 경험은 업무의 대규모 데이터 수집, Dataset mixture search와 이어집니다. 처리한 데이터 규모와 품질 필터가 학습 결과에 준 영향을 실험으로 확인한 적이 있다면 그 비교가 지원서의 중심 사례가 됩니다.

4기타 사항

  • 게시일 : 2026년 9월 30일
  • 고용형태 : 정규직
  • 근무지 : 판교
  • 경력 조건 : 신입/경력
  • 학력 조건 : CS/AI/ML 등 관련 전공 석사 이상 혹은 이에 준하는 관련 프로젝트 경험

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

  • Mixture of Experts
  • Gated Delta Net
  • Kimi Linear
  • Triton
  • CUDA
  • Megatron-LM
  • DeepSpeed
  • FSDP

전형과 지원

카카오 기본 전형은 서류, 1차 인터뷰, 2차 인터뷰, 입사 확정 순이고 직군에 따라 코딩테스트나 과제 전형이 앞에 붙습니다. 공고마다 사전 인터뷰나 현장 과제, 인성검사가 더해지므로 지원하려는 공고의 전형 안내를 함께 봐야 합니다.

  • 기본 단계와 직군별 추가

    1차 인터뷰는 실무진과 직무별 전문 인터뷰어가 직무 역량을, 2차 인터뷰는 리더와 인사부서가 조직 적합도와 잠재력을 검증한다고 적었습니다. 테크 직군은 서류 합격 뒤 코딩테스트를, 디자인 직군은 과제 전형을 거치고 레퍼런스 체크가 더해질 수 있습니다.

    이렇게 볼 수 있어요

    2차 인터뷰에는 리더와 인사부서가 함께 들어오므로 직무 이야기만으로는 준비가 부족합니다. 일하는 법 네 가지와 「카카오가 일하는 법」 문장에 맞춘 사례를 2차 전까지 따로 정리해 두는 편이 좋습니다.

    카카오 영입절차

  • 1인 1지망

    카카오는 1인 1지망이 원칙이라 여러 공고에 동시에 지원할 수 없습니다. 다른 공고로 옮기려면 지원을 취소한 뒤 다시 지원해야 합니다. 카카오와 공동체 회사는 전형이 따로 진행되어 둘 사이에는 중복 지원이 가능합니다.

    이렇게 볼 수 있어요

    카카오 안에서는 공고 하나를 골라야 합니다. 비슷한 공고가 여럿이라면 업무 목록을 보고 내가 해 본 일이 가장 많은 쪽을 고르면 됩니다. 카카오뱅크나 카카오페이 같은 공동체 회사 공고에는 따로 지원할 수 있다는 점도 함께 계산해 두세요.

    카카오 채용 FAQ

  • 재지원과 수습

    1·2차 인터뷰에서 불합격하면 서류 제출 시점부터 1년 뒤에 재지원할 수 있고, 그 전 단계에서 불합격했거나 포지션과 직원 유형이 다르면 기간 제한이 없습니다. 정규직은 입사 후 3개월의 수습 기간이 있고 그동안 보상과 복지는 같다고 적었습니다.

    이렇게 볼 수 있어요

    인터뷰 단계까지 간 뒤의 결과가 1년을 좌우합니다. 1인 1지망 원칙과 함께 보면 어느 공고에 지원할지 고르는 순간이 이 회사 지원에서 가장 큰 결정입니다.

    카카오 채용 FAQ

  • 서류와 코딩테스트

    서류 전형은 최대 15일 정도 걸리고 합격 여부와 관계없이 메일로 결과를 안내합니다. 코딩테스트는 HackerRank에서 알고리즘 역량을 보는 온라인 테스트입니다. 공고의 경력 기간은 권장 사항이라 그 연차의 경험과 역량이 있으면 지원할 수 있다고 적었습니다.

    이렇게 볼 수 있어요

    연차가 조금 모자라도 지원은 할 수 있습니다. 대신 모자란 연차는 업무 내용으로 채워야 합니다. 맡았던 일의 범위와 규모가 구체적으로 드러나도록 이력서를 작성하는 게 좋습니다.

    카카오 채용 FAQ

  • 목록에서 잠시 사라지는 공고

    지원서가 충분히 들어온 공고는 검토를 위해 진행 중 공고 목록에서 일시적으로 블라인드 처리될 수 있다고 적었습니다.

    이렇게 볼 수 있어요

    목록에서 보이지 않는다고 영입이 끝난 것은 아닙니다. 이 페이지의 마감 표시도 카카오 공고 목록을 기준으로 하므로, 마감으로 표시된 공고가 며칠 뒤 다시 진행 중으로 돌아올 수 있습니다.

    카카오 채용 FAQ

    • 이 공고만 다른 점

    • 서류전형에 CV 첨부가 필수이고, 코딩테스트와 사전인터뷰 뒤 1차 인터뷰에서 사전과제를 다루고 2차 인터뷰와 처우 협의로 이어집니다.

      CV는 지원서의 '포트폴리오' 란에 첨부하라고 적었습니다. 회사 기본 전형에 없는 사전인터뷰와 사전과제가 있습니다. 영입 진행 상황에 따라 레퍼런스 체크 같은 절차가 추가되거나 바뀔 수 있습니다.

    지원 전 준비할 것

    1. 1

      CV에 학습 규모 적기

      CV는 '포트폴리오' 란에 첨부해야 합니다. 학습한 모델 크기, 사용한 GPU 수와 병렬화 방식, 학습 토큰 규모를 프로젝트마다 적어 두면 자격 요건의 Model parallel 경험이 CV에 바로 드러납니다.

    2. 2

      효율 개선 실험 하나 정리하기

      구조, 정밀도, 데이터 혼합 가운데 하나를 바꿔 학습 비용이나 성능이 달라진 실험을 골라 바꾼 것, 비교 기준, 결과 순서로 정리하면 사전과제와 1차 인터뷰를 함께 준비할 수 있습니다.

    3. 3

      Kanana-2 Pre-training 개발기 읽기

      공고가 링크한 'Kanana-2 개발기 (1): Pre-training에서의 의사결정들을 중심으로'와 팀 논문을 읽어 두면 팀이 사전 학습에서 어떤 선택을 해 왔는지 알고 인터뷰에 들어갈 수 있습니다.

    AI 엔지니어(LLM/생성형) 지원을 준비한다면