LLM Fine-Tuning Engineer
Cosè Blox Space?
Blox Space lavora al centro dellèconomia tech,in partnership con un network di oltre 70 realtà attive nel mondo dell'AI, del software, della cybersecurity e delle Freedom Technologies, impegnate nello sviluppo di infrastrutture, prodotti e servizi legati all'economia digitale, alla data protection e al futuro del denaro.
Aiutiamo a connettere i talenti con questo ecosistema, operando come Talent Bridge tra le ambizioni di crescita dei professionisti e le opportunità offerte dal nostro network.
In questo momento stiamo supportando una delle nostre partner companies nella ricerca di un LLM Fine-Tuning Engineer, e se pensi di essere il profilo giusto, ci piacerebbe conoscerti.
Il Ruolo
L'azienda è una startup di cybersecurity italiana che costruisce sistemi di sicurezza autonomi: individuano vulnerabilità sconosciute, prioritizzano il rischio reale e distribuiscono le correzioni senza intervento umano, con un focus sui binari compilati, perché è quello che gira davvero in produzione. È un team early, pre-seed, fondato da ricercatori di sicurezza e accademici di primo piano.
Cerchiamo un LLM Fine-Tuning Engineer che adatti, valuti e metta in produzione modelli linguistici open-weight, ma piegati a un unico scopo: trovare e capire vulnerabilità. Per questo cerchiamo una persona fortemente orientata alla cybersecurity, che non si limiti ad addestrare modelli ma capisca il dominio su cui lavorano. Non è un ruolo di prompt engineering: è l'intero ciclo di post-training, dal design dei dataset al fine tuning, dalla generazione di dati sintetici alla valutazione, fino al deploy in ambienti locali, privati o ristretti.
Non cerchiamo il curriculum perfetto, cerchiamo la testa giusta.
Cerchiamo chi sa trasformare un foundation model in un sistema affidabile e specifico per il compito, sa quando il fine tuning è la strada giusta e quando invece conviene prompting, retrieval, orchestrazione o tooling, e porta con è una vera sensibilità per il mindset di chi attacca.
Le responsabilità di un LLM Fine-Tuning Engineer in questo contesto possono spaziare dal fine tuning e dall'adattamento di LLM open-weight per casi d'uso di sicurezza, interni o rivolti al cliente, al confronto tra approcci di post-training (SFT, tecniche parameter-efficient come LoRA e QLoRA, preference tuning come DPO dove serve, full fine tuning quando giustificato), dalla costruzione e pulizia di dataset di qualità e dalla generazione di dati sintetici alla definizione di metodi di valutazione che vanno oltre i benchmark generici, fino all'analisi di regressioni e failure mode e al lavoro con il team di engineering per servire i modelli in ambienti vincolati.
Le skill che fanno la differenza
- Esperienza pratica vera nel fine tuning di LLM: in produzione, in ricerca applicata o in contesti sperimentali seri, con più tecniche di post-training alle spalle, idealmente SFT, LoRA e QLoRA.
- Orientamento forte alla cybersecurity: capisci (o hai una gran voglia di capire a fondo) threat model, bug hunting e la logica di chi attacca.
È il dominio su cui i modelli lavorano, e qui fa la differenza tra un buon fine tuning e uno inutile.
- Dati prima di tutto: sai costruire, curare e mantenere dataset per training e valutazione, e sai generare, filtrare e validare dati sintetici per migliorare il comportamento del modello, non per gonfiare le metriche.
- Stack solido: Python forte, PyTorch, Hugging Face Transformers, tokenizzazione, preprocessing e training pipeline sono pane quotidiano.
- Dimestichezza con i vincoli reali: limiti di GPU, trade-off memoria/performance, workflow quantization-aware e ottimizzazione del training.
- Mentalità da debugging: sai capire perché un modello è migliorato, è regredito, ha fatto overfit o ha fallito, e la valutazione la imposti su quello che conta davvero a livello operativo, non sui punteggi generici.
- Autonomia a cavallo tra ricerca, dati ed engineering: ti muovi da solo su tutti e tre i fronti.
- Sono Very Nice to Have: un background in software security o vulnerability research, esperienza in CTF, deploy in ambienti air-gapped, on-premise o ristretti, inference optimization, quantization, model serving o runtime LLM locali, training distribuito o multi-GPU, eval harness, red-teaming o model safety testing.
Ti manca qualcosa rispetto a quello che hai letto? Candidati comunque: siamo a caccia di game-changer, non di checklist da spuntare
Work arrangements
Il ruolo ha come sede preferenziale l'hub di Blox Space a Torino, un contesto cost-effective e ad alta densità di persone tecniche di valore, ma valutiamo candidature da tutta Italia, con modalità operative flessibili da concordare insieme al team.
Per il ruolo è previsto un range retributiv
Blox Space lavora al centro dellèconomia tech,in partnership con un network di oltre 70 realtà attive nel mondo dell'AI, del software, della cybersecurity e delle Freedom Technologies, impegnate nello sviluppo di infrastrutture, prodotti e servizi legati all'economia digitale, alla data protection e al futuro del denaro.
Aiutiamo a connettere i talenti con questo ecosistema, operando come Talent Bridge tra le ambizioni di crescita dei professionisti e le opportunità offerte dal nostro network.
In questo momento stiamo supportando una delle nostre partner companies nella ricerca di un LLM Fine-Tuning Engineer, e se pensi di essere il profilo giusto, ci piacerebbe conoscerti.
Il Ruolo
L'azienda è una startup di cybersecurity italiana che costruisce sistemi di sicurezza autonomi: individuano vulnerabilità sconosciute, prioritizzano il rischio reale e distribuiscono le correzioni senza intervento umano, con un focus sui binari compilati, perché è quello che gira davvero in produzione. È un team early, pre-seed, fondato da ricercatori di sicurezza e accademici di primo piano.
Cerchiamo un LLM Fine-Tuning Engineer che adatti, valuti e metta in produzione modelli linguistici open-weight, ma piegati a un unico scopo: trovare e capire vulnerabilità. Per questo cerchiamo una persona fortemente orientata alla cybersecurity, che non si limiti ad addestrare modelli ma capisca il dominio su cui lavorano. Non è un ruolo di prompt engineering: è l'intero ciclo di post-training, dal design dei dataset al fine tuning, dalla generazione di dati sintetici alla valutazione, fino al deploy in ambienti locali, privati o ristretti.
Non cerchiamo il curriculum perfetto, cerchiamo la testa giusta.
Cerchiamo chi sa trasformare un foundation model in un sistema affidabile e specifico per il compito, sa quando il fine tuning è la strada giusta e quando invece conviene prompting, retrieval, orchestrazione o tooling, e porta con è una vera sensibilità per il mindset di chi attacca.
Le responsabilità di un LLM Fine-Tuning Engineer in questo contesto possono spaziare dal fine tuning e dall'adattamento di LLM open-weight per casi d'uso di sicurezza, interni o rivolti al cliente, al confronto tra approcci di post-training (SFT, tecniche parameter-efficient come LoRA e QLoRA, preference tuning come DPO dove serve, full fine tuning quando giustificato), dalla costruzione e pulizia di dataset di qualità e dalla generazione di dati sintetici alla definizione di metodi di valutazione che vanno oltre i benchmark generici, fino all'analisi di regressioni e failure mode e al lavoro con il team di engineering per servire i modelli in ambienti vincolati.
Le skill che fanno la differenza
- Esperienza pratica vera nel fine tuning di LLM: in produzione, in ricerca applicata o in contesti sperimentali seri, con più tecniche di post-training alle spalle, idealmente SFT, LoRA e QLoRA.
- Orientamento forte alla cybersecurity: capisci (o hai una gran voglia di capire a fondo) threat model, bug hunting e la logica di chi attacca.
È il dominio su cui i modelli lavorano, e qui fa la differenza tra un buon fine tuning e uno inutile.
- Dati prima di tutto: sai costruire, curare e mantenere dataset per training e valutazione, e sai generare, filtrare e validare dati sintetici per migliorare il comportamento del modello, non per gonfiare le metriche.
- Stack solido: Python forte, PyTorch, Hugging Face Transformers, tokenizzazione, preprocessing e training pipeline sono pane quotidiano.
- Dimestichezza con i vincoli reali: limiti di GPU, trade-off memoria/performance, workflow quantization-aware e ottimizzazione del training.
- Mentalità da debugging: sai capire perché un modello è migliorato, è regredito, ha fatto overfit o ha fallito, e la valutazione la imposti su quello che conta davvero a livello operativo, non sui punteggi generici.
- Autonomia a cavallo tra ricerca, dati ed engineering: ti muovi da solo su tutti e tre i fronti.
- Sono Very Nice to Have: un background in software security o vulnerability research, esperienza in CTF, deploy in ambienti air-gapped, on-premise o ristretti, inference optimization, quantization, model serving o runtime LLM locali, training distribuito o multi-GPU, eval harness, red-teaming o model safety testing.
Ti manca qualcosa rispetto a quello che hai letto? Candidati comunque: siamo a caccia di game-changer, non di checklist da spuntare
Work arrangements
Il ruolo ha come sede preferenziale l'hub di Blox Space a Torino, un contesto cost-effective e ad alta densità di persone tecniche di valore, ma valutiamo candidature da tutta Italia, con modalità operative flessibili da concordare insieme al team.
Per il ruolo è previsto un range retributiv