Nous utilisons des cookies techniques et le journal de visites anonymisé de Zorky. Yandex Metrica (données stockées sur des serveurs en Russie) ne fonctionne qu'avec votre consentement. Nous ne vendons jamais de données. En savoir plus sur les cookies et les statistiques.
Zorky est en mode test — tout est gratuit. Les offres et les pages des entreprises sont ouvertes à tous ; les liens vers les annonces et votre sélection personnelle s'ouvrent après inscription. Inscription →

Ingénieur de recherche : marché

Données au 19 novembre 2026 : offres ouvertes Ingénieur de recherche — 1 112, 19% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $14 750/mois (sur 146 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.

Research Engineer / Research Scientist — le segment le plus premium de la filière IA/ML. Travail sur la recherche de pointe : lecture d'articles (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP) + reproduction de l'état de l'art + conception d'architectures nouvelles + expériences d'ablation + publication d'articles. Famille de rôles : Research Engineer (orienté ingénierie — implémente les architectures des articles, construit l'infrastructure de recherche, épaule les Research Scientists), Research Scientist (orienté science — formule des questions de recherche nouvelles + conçoit les expériences + écrit des articles, généralement en filière doctorat), Research Engineer / Scientist Senior (responsable d'une direction de recherche + conseille les chercheurs juniors + publie dans les meilleures conférences), Staff / Principal Researcher (définit l'agenda de recherche du laboratoire + leadership scientifique multi-équipes), Research Lead (management de l'équipe de recherche + subventions / financements). Stack : Python (monopole), PyTorch (domine 2026 en recherche — 80 %+), JAX+Flax/Haiku, TensorFlow (historique en recherche, mais peu présent), Hugging Face Transformers+datasets+tokenizers (infrastructure de recherche NLP / LLM), écriture de kernels CUDA (avancé — pour la recherche limitée par le calcul), Triton (OpenAI, kernels GPU sur mesure en Python), torch.compile+JIT (optimisation), Weights & Biases+MLflow+Neptune (suivi des expériences — indispensable pour la reproductibilité de la recherche), DVC (versionnage des données), Hydra+OmegaConf (configuration des expériences), PyTorch Lightning/Fabric (framework d'entraînement), entraînement distribué (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), Ray Train/Ray Tune (distribué + HPO), Optuna (HPO bayésienne), LaTeX (articles — indispensable), arXiv+OpenReview (workflow des articles), Notion/Logseq/Obsidian (notes de recherche). Bonus : Mojo (nouveau — pour la recherche où la performance est critique). Stack la plus demandée : python, pytorch, llm, cloud, c++. Parmi les offres dont le mode de travail est indiqué, 19% sont en télétravail.

Données au:

Les chiffres clés du marché Ingénieur de recherche : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.

1 112
offres ouvertes — par intitulé de poste, republications fusionnées
$14 750
médiane $/mois
19%
télétravail

Le marché Ingénieur de recherche compte actuellement 1 112 postes ouverts, dont 1 034 observés récemment. Median salary $14 750/mo.

Parmi les offres dont le mode de travail est indiqué, 19% sont en télétravail. La recherche se prête moins au télétravail que le ML Engineer / la DS en raison de la colocalisation du calcul pour l'entraînement à grande échelle. Laboratoires d'IA de pointe — hybride standard, partiellement ouverts au télétravail. Laboratoires européens — plus ouverts au télétravail. Russes (Yandex Research / Sber AI) — hybride. Sociétés d'outsourcing (EPAM AI Research) — presque toujours en télétravail.

⚠ salaire connu pour 146 offres sur 1112 ; part du télétravail sur 859 avec un format indiqué ; 1034 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées

Chronologie : offres et sources

Combien d'offres Ingénieur de recherche sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.

Nouvelles offres par semaine

Données du graphique
Nouvelles offres par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeNouvelles offres par semaine
2026-06-0118
2026-06-0812
2026-06-1518
2026-06-2221
2026-06-2990
2026-07-06205
2026-07-13312
2026-07-2090
2026-07-2750
2026-08-0391
2026-08-1077
2026-08-17128
2026-08-24115
2026-08-3155
2026-09-0770
2026-09-1485
2026-09-21293
2026-09-28162
2026-10-05134
2026-10-12404
2026-10-19265
2026-10-26289
2026-11-02259
2026-11-09285

Sources actives par semaine

Sources sur la période : 109. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.

Données du graphique
Sources actives par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeSources actives
2026-06-0110
2026-06-084
2026-06-156
2026-06-2212
2026-06-2920
2026-07-0616
2026-07-1322
2026-07-2029
2026-07-2722
2026-08-0318
2026-08-1019
2026-08-1715
2026-08-2410
2026-08-3119
2026-09-0715
2026-09-1416
2026-09-2125
2026-09-2834
2026-10-0527
2026-10-1231
2026-10-1938
2026-10-2633
2026-11-0239
2026-11-0940
Nouvelles sources connectées : 29 juin +14 · 6 juil. +9 · 20 juil. +10 · toutes les semaines (20) dans le tableau
SemaineNouvelles sourcesNouvelles offres
15 juin+118
22 juin+721
29 juin+1490
6 juil.+9205
13 juil.+7312
20 juil.+1090
27 juil.+750
3 août+291
10 août+277
17 août+1128
31 août+255
14 sept.+185
21 sept.+4293
28 sept.+7162
5 oct.+2134
12 oct.+4404
19 oct.+5265
26 oct.+3289
2 nov.+5259
9 nov.+6285

La semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.

Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.

Données du graphique
Chronologie : offres et sources — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineNouvelles offres par semaineSources actives
2026-06-011810
2026-06-08124
2026-06-15186
2026-06-222112
2026-06-299020
2026-07-0620516
2026-07-1331222
2026-07-209029
2026-07-275022
2026-08-039118
2026-08-107719
2026-08-1712815
2026-08-2411510
2026-08-315519
2026-09-077015
2026-09-148516
2026-09-2129325
2026-09-2816234
2026-10-0513427
2026-10-1240431
2026-10-1926538
2026-10-2628933
2026-11-0225939
2026-11-0928540

Les salaires dans le temps

Salaire médian Ingénieur de recherche par semaine, USD par mois.

Salaire médian, USD par mois

Données du graphique
Salaire médian, USD par mois. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeMédianeOffres avec salaire par semaine (n)
2026-10-1212 50017
2026-10-1913 33338
2026-10-2610 15866
2026-11-0211 03361
2026-11-0912 91766

La série commence le 12 oct. : aucune donnée avant.

Offres avec salaire par semaine (n)

Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.

Données du graphique
Les salaires dans le temps — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineMédiane
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-1212 500
2026-10-1913 333
2026-10-2610 158
2026-11-0211 033
2026-11-0912 917

Le télétravail dans le temps

Part des offres Ingénieur de recherche proposant un télétravail complet, par semaine.

Offres en télétravail, %

Données du graphique
Offres en télétravail, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeTélétravail
2026-06-0130,8
2026-06-08—
2026-06-15—
2026-06-2215,4
2026-06-2922,8
2026-07-0637
2026-07-1317,9
2026-07-2020
2026-07-2758,3
2026-08-037,9
2026-08-1042,9
2026-08-1722,7
2026-08-2418,4
2026-08-3142,9
2026-09-079,5
2026-09-1418
2026-09-2115,1
2026-09-2849,6
2026-10-0528,2
2026-10-1231,3
2026-10-1924
2026-10-2646,2
2026-11-0218,8
2026-11-0932,8

La part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.

Données du graphique
Le télétravail dans le temps — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineTélétravail
2026-06-0130,8
2026-06-08—
2026-06-15—
2026-06-2215,4
2026-06-2922,8
2026-07-0637
2026-07-1317,9
2026-07-2020
2026-07-2758,3
2026-08-037,9
2026-08-1042,9
2026-08-1722,7
2026-08-2418,4
2026-08-3142,9
2026-09-079,5
2026-09-1418
2026-09-2115,1
2026-09-2849,6
2026-10-0528,2
2026-10-1231,3
2026-10-1924
2026-10-2646,2
2026-11-0218,8
2026-11-0932,8

Les technologies dans le temps

Comment la part des offres Ingénieur de recherche mentionnant chacune des principales technologies a évolué.

Offres mentionnant la technologie, %

Données du graphique
Offres mentionnant la technologie, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodePythonpytorchllm
2026-08-1024,127,637,9
2026-08-1718,6741,9
2026-08-2437,520,825
2026-08-31282816
2026-09-0735,714,328,6
2026-09-1434,615,423,1
2026-09-2132,713,310,2
2026-09-284522,526,2
2026-10-0540,219,515,9
2026-10-1242,528,727,6
2026-10-1950,53625,2
2026-10-2643,82337,6
2026-11-0245,53028,2
2026-11-0962,929,929,9
Jusqu’à 5 sur le graphique :

Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.

Données du graphique
Les technologies dans le temps — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemainePythonpytorchllmcloudC++
2026-08-1024,127,637,96,913,8
2026-08-1718,6741,94,79,3
2026-08-2437,520,82516,76,2
2026-08-312828161212
2026-09-0735,714,328,67,17,1
2026-09-1434,615,423,115,411,5
2026-09-2132,713,310,219,46,1
2026-09-284522,526,218,818,8
2026-10-0540,219,515,913,417,1
2026-10-1242,528,727,612,212,7
2026-10-1950,53625,220,718
2026-10-2643,82337,619,113,5
2026-11-0245,53028,217,320
2026-11-0962,929,929,922,225,7

Pays au fil du temps

Comment la part des offres Ingénieur de recherche dans chacun des principaux pays a évolué, par semaine.

Offres dans le pays, %

Données du graphique
Offres dans le pays, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeÉtats-UnisRoyaume-UniSingapour
2026-06-2250150
2026-06-2937,38,430,1
2026-07-0671,39,43,3
2026-07-1331,43,161
2026-07-2039,818,124,1
2026-07-2748,710,35,1
2026-08-0358,816,22,5
2026-08-1057,912,38,8
2026-08-1759,610,50,9
2026-08-2461,522,10
2026-08-3168,917,80
2026-09-0736,7358,3
2026-09-1455,319,72,6
2026-09-2172,5111,2
2026-09-2847,27,72,8
2026-10-0547,321,42,7
2026-10-1246,5132,5
2026-10-1959,315,62,5
2026-10-2649,8142,1
2026-11-0251,312,52,2
2026-11-0954,915,84,7

La série commence le 22 juin : aucune donnée avant.

Jusqu’à 5 sur le graphique :

Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.

Données du graphique
Pays au fil du temps — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineÉtats-UnisRoyaume-UniSingapourFranceAllemagne
2026-06-01—————
2026-06-08—————
2026-06-15—————
2026-06-225015000
2026-06-2937,38,430,18,40
2026-07-0671,39,43,350
2026-07-1331,43,1610,70
2026-07-2039,818,124,11,20
2026-07-2748,710,35,12,62,6
2026-08-0358,816,22,53,85
2026-08-1057,912,38,81,81,8
2026-08-1759,610,50,94,43,5
2026-08-2461,522,101,94,8
2026-08-3168,917,8000
2026-09-0736,7358,300
2026-09-1455,319,72,600
2026-09-2172,5111,24,32
2026-09-2847,27,72,85,62,8
2026-10-0547,321,42,76,24,5
2026-10-1246,5132,53,52,1
2026-10-1959,315,62,54,92,5
2026-10-2649,8142,14,51,2
2026-11-0251,312,52,23,414,7
2026-11-0954,915,84,75,52,8

Marché net : indice de recrutement

Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Ingénieur de recherche.

Indice de recrutement, 16 oct. = 100

Données du graphique
Indice de recrutement, 16 oct. = 100. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.

Données du graphique
Marché net : indice de recrutement — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
JourIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Combien d'offres Ingénieur de recherche ouvertes il y a et combien de spécialistes correspondants Zorky observe.

Demande et offre observée

Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
Demande ouverte1 112
Demande ouverte1 112
Offre observée— non publié

La recherche — une niche premium à la demande croissante 2026 en raison de la course aux LLM / à l'IA générative : entraînement de modèles de fondation, recherche sur l'alignement (RLHF / Constitutional AI / DPO), interprétabilité mécaniste, IA agentique, multimodal. Côté russe (Yandex Research / Sber AI / AIRI) — un flux régulier. Les laboratoires internationaux d'IA de pointe — un recrutement très concurrentiel pour les russophones ayant des recherches publiées.

⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés

Comment se répartissent les salaires des offres Ingénieur de recherche, en dollars américains par mois.

Distribution des salaires

P25 $10 158 · P50 $14 750 · P75 $18 333
Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
<$1k1
$1–2k1
$2–3k2
$3–4k0
$4–5k0
$5–6k2
$6–7k4
$7–8k5
$8–9k6
$9–10k3
$10–12k25
$12–15k26
$15–20k44
$20k+27
Salaire dans les offres : base 1 112
  • exploitable pour le calcul: 146 (13,1%)
  • indiqué mais non converti en USD/mois: 174 (15,6%)
  • non indiqué: 792 (71,2%)

Une offre sur dix propose moins de $7 880, une sur dix plus de $22 916. La moitié des offres propose entre $10 158 et $18 333. Échantillon: 146.

Données du graphique
Distribution des salaires — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurBorne inférieureBorne supérieureNombre
<$1k01 0001
$1–2k1 0002 0001
$2–3k2 0003 0002
$3–4k3 0004 0000
$4–5k4 0005 0000
$5–6k5 0006 0002
$6–7k6 0007 0004
$7–8k7 0008 0005
$8–9k8 0009 0006
$9–10k9 00010 0003
$10–12k10 00012 00025
$12–15k12 00015 00026
$15–20k15 00020 00044
$20k+20 000—27

Dans quels pays il y a le plus d'offres Ingénieur de recherche ouvertes.

Géographie de la demande

paysoffrespart
États-Unis62563,7%
Royaume-Uni10210,4%
France434,4%
Singapour313,2%
Suisse282,9%
Inde262,7%
Allemagne191,9%
Canada171,7%
Corée du Sud171,7%
Japon151,5%
Autres pays585,9%

Leader par nombre d'offres Research — les États-Unis (625 postes). Principaux hubs internationaux (via relocalisation ou à distance) : Bay Area / NYC (États-Unis), Londres, Toronto (Vector Institute / Mila), Tübingen / Berlin (Max Planck / Aleph Alpha), Zurich (ETH), Tel Aviv. Labos d'IA de pointe — full remote pour les candidats exceptionnels.

⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié

Données du graphique
Géographie de la demande — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PaysOffres
US625
GB102
FR43
SG31
CH28
IN26
DE19
CA17
KR17
JP15

Quelles technologies sont le plus souvent demandées dans la même offre que Ingénieur de recherche.

Utilisée avec

python
33730,3%
pytorch
19717,7%
llm
18016,2%
cloud
13111,8%
c++
1079,6%
fine-tuning
958,5%
tensorflow
524,7%
aws
343,1%
docker
333%

Part : combien des 1 112 offres du marché Ingénieur de recherche mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).

Stack de recherche principale 2026 : Python (monopole), PyTorch (dominant à 80 %+), JAX + Flax / Haiku, Hugging Face Transformers + datasets + tokenizers + PEFT + TRL + Accelerate, CUDA / Triton (écriture de kernels — avancé), torch.compile + JIT, W&B + MLflow + Neptune (suivi des expériences), Hydra + OmegaConf (configuration), PyTorch Lightning / Fabric, distribué (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), Ray Train + Ray Tune, Optuna, DVC, LaTeX (articles — indispensable), arXiv + OpenReview + Papers with Code, vLLM + TGI + SGLang (évaluation des LLM), Inspect AI + lm-evaluation-harness, TransformerLens (interprétabilité). Bonus : Mojo (nouveau — recherche critique en performance).

Couples courants : PyTorch + Hugging Face + W&B + Hydra (le quotidien de la recherche), JAX + Flax + TPU (préféré par la recherche de Google), PyTorch + DeepSpeed + Megatron-LM (entraînement de LLM à grande échelle), Triton + CUDA + torch.compile (recherche limitée par le calcul), TRL + PEFT + Accelerate (recherche en RLHF / fine-tuning). Feuille de route d'apprentissage : PyTorch en profondeur + bases mathématiques → reproduction d'articles SOTA (3-5) → soumission d'un article en workshop → soumission à une conférence de rang A → filière doctorat OU ML Engineer Senior → reconversion en Research Engineer.

Données du graphique
Utilisée avec — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NomNombre
python337
pytorch197
llm180
cloud131
c++107
fine-tuning95
tensorflow52
aws34
docker33
kubernetes33
go31
transformers27

Combien d'offres Ingénieur de recherche il y a à chaque niveau, de junior à principal.

Demande par niveau

niveauoffres
senior155
principal135
junior113
lead48
middle18

Junior — entrée typique : master / doctorat + articles OU ML Engineer Senior + intérêt pour la recherche. Parcours de carrière : doctorat (4-6 ans) → recherche Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit Chercheur Staff / Principal (profondeur), soit Research Lead (management), soit fondateur / CTO d'une startup d'IA, soit passage dans l'IA d'une Big Tech avec une participation au capital de premier plan.

⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie

Données du graphique
Demande par niveau — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NiveauNombre
senior155
principal135
junior113
lead48
middle18

Qui recrute le plus pour Ingénieur de recherche et à quel point la demande se concentre chez les plus grandes entreprises.

Employeurs

La demande est répartie entre 502 employeurs. Le plus grand en représente 8.3 %, les dix premiers 22.8 % ; les 77.2 % restants forment la longue traîne.

le plus grand 8,3%2e–3e 7,6%4e–10e 7%les autres 77,2%
partvaleur
top 18.3%
top 315.8%
top 1022.8%
longue traîne77.2%

⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux

Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Ingénieur de recherche.

Où Zorky voit ce marché

Observé sur 62 sources ; la plus grande en représente 27.7 % : ce marché ne repose pas sur un seul canal.

Données du graphique
Où Zorky voit ce marché — Ingénieur de recherche. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
ClasseNomNom anglaisNombrePart
atsATS и карьерные сайтыATS et sites carrières9320,8381
boardджоб-борды и агрегаторыjob boards et agrégateurs1540,1385
telegramTelegramTelegram230,0207
communautéсообщества и публичные профилиcommunauté et profils publics30,0027

Les offres Ingénieur de recherche les plus récentes, issues des pages carrières des entreprises.

Postes récents

Toutes les offres →

Dernières offres en recherche ouvertes — les 10 postes les plus récents avec une qualité de description suffisante. Liste complète — dans notre CRM ou via le lien « voir tout » ci-dessous.

Comment c'est mesuré
Offre
une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
Candidat observé
un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
Candidat correspondant
pas encore compté
Fenêtre
offres ouvertes au moment de la création de l'instantané

À propos des données

  • Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
  • Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
  • Un bloc absent ne signifie pas une valeur nulle.

Ventilations masquées actuellement : 8.

Domaine: IA / ML / Data Science

Spécialisations associées

Au sein de la recherche : Research Engineer (orienté ingénierie — implémente les architectures des articles + construit l'infrastructure de recherche), Research Scientist (orienté science — recherche nouvelle + rédaction d'articles, généralement filière doctorat), Research Engineer / Scientist Senior (direction de recherche propre + encadrement des Juniors), Chercheur Staff / Principal (agenda de recherche + leadership scientifique), Research Lead (gestion d'équipe + subventions). Comparaison avec ml-engineer/data-scientist/mlops — dans la barre ci-dessous.

Ingénieur IA / LLMVision par ordinateurData ScientistIngénieur MLMLOpsIngénieur NLP

Questions fréquentes

Les réponses sont recalculées automatiquement.

Quelle stack exige-t-on le plus souvent en recherche ?

Top 5 : python, pytorch, llm, cloud, c++. Python — monopole. TensorFlow — historique, a presque disparu de la nouvelle recherche 2026. Écriture de kernels CUDA — niveau avancé (pour la recherche limitée par le calcul ; Triton d'OpenAI comme alternative adaptée à Python). torch.compile + JIT — optimisation. Hugging Face Transformers + datasets + tokenizers — infrastructure de recherche NLP / LLM (standard de fait). PEFT + TRL + Accelerate (Hugging Face — fine-tuning + RLHF). Maîtrise de l'entraînement distribué : PyTorch DDP / FSDP + DeepSpeed + Megatron-LM + ColossalAI (pour l'entraînement de modèles à grande échelle). Suivi des expériences : Weights & Biases (le favori de la recherche — meilleure UX pour les expériences), MLflow, Neptune. Configuration : Hydra + OmegaConf — indispensables pour une gestion propre des expériences. PyTorch Lightning / Fabric — framework d'entraînement (réduit le code répétitif). Ray Train + Ray Tune — entraînement distribué + HPO bayésienne. Optuna — HPO bayésienne autonome. DVC — versionnage des données. Maîtrise de LaTeX — indispensable pour rédiger des articles (Overleaf pour la collaboration). arXiv + OpenReview + Papers with Code — flux de travail des publications. Mojo (nouveau — recherche critique en performance, en hausse). Lecture des spécifications matérielles : A100 / H100 / B100 — comprendre le budget de calcul. HF Hub + Kaggle + Papers with Code — jeux de données + benchmarks. En plus pour la recherche sur les LLM : vLLM + TGI + SGLang (serving pour l'évaluation), Inspect AI + lm-evaluation-harness (benchmarking des LLM), TransformerLens (interprétabilité mécaniste).

Research Engineer vs Research Scientist — quelle différence ?

Research Engineer — orienté ingénierie. Implémente les architectures des articles, construit l'infrastructure de recherche, gère le calcul, aide les Research Scientists à accélérer les expériences. Souvent sans doctorat (ou master + solide ingénierie). Stack : PyTorch / JAX en profondeur + maîtrise de l'entraînement distribué + CUDA / Triton + infrastructure d'expériences. Peut cosigner des articles en tant que contributeur secondaire, parfois premier auteur sur des travaux à forte composante ingénierie. Research Scientist — orienté science. Formule des questions de recherche nouvelles, conçoit les expériences, écrit des articles (premier auteur dans des conférences de rang A), conseille les Research Engineers. Doctorat généralement exigé (ou master + publications solides). Même stack + mathématiques / théorie plus poussées + maîtrise de la rédaction d'articles + rédaction de demandes de subventions (pour le monde académique). Parcours de carrière équivalent à l'académique (Postdoc → filière de maître de conférences). ML Research Engineer (intitulé alternatif) — rôle de recherche à forte composante ingénierie sans doctorat, mais qui exige des travaux nouveaux prouvés (p. ex. implémenter l'état de l'art + l'améliorer sur une métrique clé + publier un article en workshop). Choix de carrière : Research Engineer pour l'ingénierie en profondeur + l'intérêt pour la recherche sans filière doctorat, Research Scientist pour la filière doctorat + l'intérêt pour la contribution scientifique. Les laboratoires IA des Big Tech équilibrent généralement les équipes à 1:1 ou 2:3 Engineer:Scientist.

À quoi ressemble le cycle complet de la recherche, de l'article à la production ?

Cycle de référence de la recherche 2026 : 1) Phase de lecture — passer en revue 20-50 articles du domaine (arXiv / Papers with Code / Semantic Scholar / l'outil Connected Papers). Notion / Obsidian / Logseq pour des notes structurées. Reproduire 3-5 baselines SOTA (cloner les dépôts, lancer, valider les métriques — une vérification de réalité cruciale). 2) Génération d'idées — identifier une lacune / une limite / une combinaison inexplorée. En discuter avec le directeur de recherche / les co-chercheurs (réunions de recherche hebdomadaires, la norme). Première esquisse d'hypothèse. 3) Expériences pilotes (petite échelle, itérations rapides) — implémenter une version minimale sur un petit jeu de données / un petit modèle (par ex. GPT-2 small / ResNet-18 / DistilBERT). Suivi dans W&B. Décider si l'hypothèse est viable ou l'abandonner. 4) Phase de passage à l'échelle — si le pilote est prometteur, monter en échelle (calcul + jeu de données + taille du modèle). Maîtrise de l'entraînement distribué requise : DDP / FSDP / DeepSpeed / Megatron-LM. Suivi du budget de calcul (heures A100 / H100). 5) Phase d'ablation — expériences systématiques pour isoler quelle contribution compte (typiquement : 5-15 configurations d'ablation). 6) Comparaison aux baselines — comparaison équitable avec 3-5 baselines solides sur 3-5 jeux de données / benchmarks. Significativité statistique (3+ seeds, barres d'erreur). 7) Rédaction — premier jet (LaTeX via Overleaf), 8 pages pour NeurIPS / ICML / ICLR, 4-6 semaines pour un cycle de rédaction typique. Figures de qualité professionnelle (matplotlib / seaborn / plotly + étiquetage soigné des axes / légende / palette adaptée aux daltoniens). 8) Soumission — d'abord une prépublication arXiv (pour dater la contribution), soumission à la conférence via OpenReview. Échéances : NeurIPS en mai, ICML en janvier, ICLR en octobre. 9) Cycle de relecture — relecture de 3 mois, rebuttal (typiquement : 5-10 commentaires de relecteurs par article, rédaction des réponses), décision finale. 10) Version finale + présentation. Publication du code sur GitHub + des poids du modèle sur Hugging Face Hub. 11) Transfert en production (recherche industrielle) — travailler avec l'équipe ML Engineer pour intégrer la recherche au produit. Souvent 3-6 mois d'écart entre la publication de l'article et le déploiement en production. 12) Travaux de suite — étendre, passer à l'échelle, appliquer à un nouveau domaine — typiquement 3-5 articles de suite à partir d'une direction initiale solide. Cycle de recherche sain : 1-2 articles/an par chercheur (profondeur en auteur principal), 3-5 articles/an (co-auteur en collaboration). Les meilleurs chercheurs des laboratoires de pointe : 5-10+ articles/an avec de nombreux co-auteurs du laboratoire.

Quelle part des offres propose du télétravail ?

Parmi les offres dont le mode de travail est indiqué, 19% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.

En quoi la recherche industrielle diffère-t-elle de la recherche académique ?

Recherche académique (PhD / Postdoc / Maître de conférences à l'université) : profondeur théorique + liberté de choisir sa direction + charge d'enseignement. Forte pression à la publication (h-index — principale métrique de carrière). Progression lente : PhD → Postdoc → Maître de conférences → Titularisation (10-15 ans). Atouts : liberté académique + son propre laboratoire + prestige intellectuel. Recherche industrielle : focus sur des travaux évolutifs et réalisables techniquement + potentiel de transfert vers le produit + budgets de calcul plus importants (entraînements à $1-100 M+ pour les modèles de fondation — inaccessibles au monde académique). Salaire 3-10× celui du tier-1 académique. Progression : Junior Researcher → Senior → Staff / Principal — 5-10 ans. Atouts : accès massif au calcul + équipe d'ingénierie solide + passage plus rapide de la publication à la production. Règle de choix : l'académique si vous aimez enseigner et privilégiez la liberté intellectuelle, l'industrie si vous privilégiez l'échelle + le calcul + un salaire 5-10× supérieur. Les chercheurs passent souvent de l'académique à l'industrie en milieu de carrière (calcul + salaire), rarement l'inverse.

Comment débuter en recherche en 2026 ?

Feuille de route : 1) Solides bases mathématiques — algèbre linéaire + analyse + théorie des probabilités + théorie de l'information + optimisation au niveau « comprendre les démonstrations ». Livres : Strang « Introduction to Linear Algebra », Boyd « Convex Optimization » (PDF gratuit), Cover & Thomas « Elements of Information Theory ». 2) Théorie du deep learning — au-delà d'Andrew Ng. Cours : Stanford CS231n (vision), CS224n (NLP), CS285 (Deep RL — Sergey Levine). Livres : Goodfellow « Deep Learning » (PDF gratuit), Murphy « Probabilistic Machine Learning » (2 volumes, gratuits). 3) Maîtrise approfondie de PyTorch : Modules / Optimizers / Autograd / hooks personnalisés, entraînement distribué (DDP / FSDP), torch.compile, profilage. 4) JAX en bonus (préféré par les labs Google — prime pour une compétence rare) : Flax / Haiku + maîtrise de vmap / pmap / grad. 5) Lecture des articles SOTA — 20-50 articles dans le domaine choisi (par ex. alignement des LLM, génération vidéo ou interprétabilité mécaniste). Utiliser Connected Papers + Semantic Scholar pour s'orienter. Reproduire 3-5 baselines SOTA — une compétence cruciale de confrontation au réel. 6) Maîtrise de LaTeX — Overleaf, patterns de rédaction d'articles, qualité des figures. La lecture s'entraîne en lisant 100+ articles ; l'écriture — en co-rédigeant avec un chercheur expérimenté. 7) Un article de workshop comme premier objectif — soumettre aux workshops de NeurIPS / ICML / ICLR. Obtenir une première publication. 8) Accès au calcul — Kaggle (T4 / P100 gratuits + compétitions), Google Colab Pro+, Lambda Labs, vast.ai (GPU cloud bon marché), Hugging Face Spaces (GPU gratuit pour l'inférence). Pour entraîner de grands modèles — il faut l'accès d'un laboratoire / d'une entreprise. 9) Mentorat — trouver un directeur / mentor (programme doctoral ou laboratoire de recherche industriel). Prise de contact : écrire à froid aux chercheurs dont vous avez reproduit + amélioré les articles. 10) Plan à long terme : parcours doctoral (3-6 ans de recherche à temps plein) OU ML Engineer Senior → reconversion en Research Engineer (filière orientée ingénierie, sans doctorat). Formations en Russie : MIPT DLSchool (gratuit sur YouTube), Karpov.Courses Research Track, School21 (Sber) AI Research. International : fast.ai Practical Deep Learning Part 2 (avancé), Hugging Face NLP Course, Stanford CS25 Transformers, DeepLearning.AI Generative AI with LLMs. Livres à lire absolument : « Deep Learning » de Goodfellow, « Pattern Recognition and Machine Learning » de Bishop, « The Elements of Statistical Learning » de Hastie. Communautés : arXiv-sanity-lite, Papers with Code, Twitter ML (suivre les meilleurs chercheurs), Hugging Face Discord, EleutherAI Discord, Alignment Forum. ML Engineer Senior → Research Engineer Junior — 12-24 mois (il faut un premier article de workshop).

Combien d’offres ouvertes cet échantillon contient-il ?

L’échantillon publié contient 1112 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.

De quelles compétences un chercheur Senior a-t-il besoin ?

Le chercheur Senior est responsable de tout le cycle de la recherche de pointe + du leadership scientifique. Mathématiques approfondies : algèbre linéaire + calcul matriciel + théorie des probabilités + théorie de l'information + théorie de l'optimisation — au niveau « lire n'importe quel article arXiv sans buter sur les blocs mathématiques ». Maîtrise approfondie de PyTorch : Modules personnalisés / hooks Autograd / distribué (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), entraînement en précision mixte, gradient checkpointing, optimisation ZeRO. JAX en bonus : Flax / Haiku + vmap / pmap pour des architectures exotiques (souvent nécessaires en recherche). Écriture de kernels CUDA / Triton : niveau avancé — pour la recherche limitée par le calcul. Expérience de l'entraînement à grande échelle : avoir piloté de vrais entraînements de 7B-70B+ paramètres (pas sur des jeux de données jouets — à l'échelle réelle de production). Maîtrise de la rédaction d'articles : articles en premier auteur dans des conférences de rang A (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP), historique de citations. Vitesse de lecture : 5-15 articles par semaine de façon soutenue, extraction de l'essentiel en 30-60 minutes par article, reproduction approfondie de 1-2 articles par mois. Maîtrise de l'infrastructure d'expériences : W&B / MLflow / Hydra / OmegaConf pour une gestion propre, reproductibilité (chaque résultat relié à un SHA git + une configuration). Spécifique aux LLM (2026) : fine-tuning via LoRA / QLoRA + RLHF (bibliothèque TRL) + DPO + patterns Constitutional AI + architecture RAG en profondeur + méthodologie d'évaluation (RAGAS / DeepEval / lm-evaluation-harness / Inspect AI) + bases de l'interprétabilité mécaniste (TransformerLens). Maîtrise du budget de calcul : analyse des coûts des entraînements (heures A100 / H100), recherche efficace d'hyperparamètres (bayésienne via Optuna, pas par grille). Rédaction scientifique : rédaction technique claire, qualité des figures, analyse statistique (significativité + plusieurs seeds + barres d'erreur). Soft skills : encadrement de chercheurs juniors + collaboration avec l'équipe d'ingénierie + interventions techniques en conférence + rédaction de demandes de subvention (pour le monde académique) + relecture d'articles (relecteur NeurIPS / ICML / ICLR, typiquement). Anglais pour Senior+ ABSOLUMENT INDISPENSABLE — la communauté de la recherche est entièrement anglophone (articles / conférences / interventions). Bonus facultatif : contributions open source à Hugging Face / EleutherAI / PyTorch — augmentent fortement la valeur sur le marché auprès des recruteurs en recherche.

Laisser une demande

Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.

En envoyant, vous acceptez la politique de confidentialité.