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.
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
| Période | Nouvelles offres par semaine |
|---|---|
| 2026-06-01 | 18 |
| 2026-06-08 | 12 |
| 2026-06-15 | 18 |
| 2026-06-22 | 21 |
| 2026-06-29 | 90 |
| 2026-07-06 | 205 |
| 2026-07-13 | 312 |
| 2026-07-20 | 90 |
| 2026-07-27 | 50 |
| 2026-08-03 | 91 |
| 2026-08-10 | 77 |
| 2026-08-17 | 128 |
| 2026-08-24 | 115 |
| 2026-08-31 | 55 |
| 2026-09-07 | 70 |
| 2026-09-14 | 85 |
| 2026-09-21 | 293 |
| 2026-09-28 | 162 |
| 2026-10-05 | 134 |
| 2026-10-12 | 404 |
| 2026-10-19 | 265 |
| 2026-10-26 | 289 |
| 2026-11-02 | 259 |
| 2026-11-09 | 285 |
Sources actives par semaine
Sources sur la période : 109. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.
Données du graphique
| Période | Sources actives |
|---|---|
| 2026-06-01 | 10 |
| 2026-06-08 | 4 |
| 2026-06-15 | 6 |
| 2026-06-22 | 12 |
| 2026-06-29 | 20 |
| 2026-07-06 | 16 |
| 2026-07-13 | 22 |
| 2026-07-20 | 29 |
| 2026-07-27 | 22 |
| 2026-08-03 | 18 |
| 2026-08-10 | 19 |
| 2026-08-17 | 15 |
| 2026-08-24 | 10 |
| 2026-08-31 | 19 |
| 2026-09-07 | 15 |
| 2026-09-14 | 16 |
| 2026-09-21 | 25 |
| 2026-09-28 | 34 |
| 2026-10-05 | 27 |
| 2026-10-12 | 31 |
| 2026-10-19 | 38 |
| 2026-10-26 | 33 |
| 2026-11-02 | 39 |
| 2026-11-09 | 40 |
Nouvelles sources connectées : 29 juin +14 · 6 juil. +9 · 20 juil. +10 · toutes les semaines (20) dans le tableau
| Semaine | Nouvelles sources | Nouvelles offres |
|---|---|---|
| 15 juin | +1 | 18 |
| 22 juin | +7 | 21 |
| 29 juin | +14 | 90 |
| 6 juil. | +9 | 205 |
| 13 juil. | +7 | 312 |
| 20 juil. | +10 | 90 |
| 27 juil. | +7 | 50 |
| 3 août | +2 | 91 |
| 10 août | +2 | 77 |
| 17 août | +1 | 128 |
| 31 août | +2 | 55 |
| 14 sept. | +1 | 85 |
| 21 sept. | +4 | 293 |
| 28 sept. | +7 | 162 |
| 5 oct. | +2 | 134 |
| 12 oct. | +4 | 404 |
| 19 oct. | +5 | 265 |
| 26 oct. | +3 | 289 |
| 2 nov. | +5 | 259 |
| 9 nov. | +6 | 285 |
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
| Semaine | Nouvelles offres par semaine | Sources actives |
|---|---|---|
| 2026-06-01 | 18 | 10 |
| 2026-06-08 | 12 | 4 |
| 2026-06-15 | 18 | 6 |
| 2026-06-22 | 21 | 12 |
| 2026-06-29 | 90 | 20 |
| 2026-07-06 | 205 | 16 |
| 2026-07-13 | 312 | 22 |
| 2026-07-20 | 90 | 29 |
| 2026-07-27 | 50 | 22 |
| 2026-08-03 | 91 | 18 |
| 2026-08-10 | 77 | 19 |
| 2026-08-17 | 128 | 15 |
| 2026-08-24 | 115 | 10 |
| 2026-08-31 | 55 | 19 |
| 2026-09-07 | 70 | 15 |
| 2026-09-14 | 85 | 16 |
| 2026-09-21 | 293 | 25 |
| 2026-09-28 | 162 | 34 |
| 2026-10-05 | 134 | 27 |
| 2026-10-12 | 404 | 31 |
| 2026-10-19 | 265 | 38 |
| 2026-10-26 | 289 | 33 |
| 2026-11-02 | 259 | 39 |
| 2026-11-09 | 285 | 40 |
Les salaires dans le temps
Salaire médian Ingénieur de recherche par semaine, USD par mois.
Salaire médian, USD par mois
Données du graphique
| Période | Médiane | Offres avec salaire par semaine (n) |
|---|---|---|
| 2026-10-12 | 12 500 | 17 |
| 2026-10-19 | 13 333 | 38 |
| 2026-10-26 | 10 158 | 66 |
| 2026-11-02 | 11 033 | 61 |
| 2026-11-09 | 12 917 | 66 |
La série commence le 12 oct. : aucune donnée avant.
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
| Semaine | Médiane |
|---|---|
| 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 | — |
| 2026-10-12 | 12 500 |
| 2026-10-19 | 13 333 |
| 2026-10-26 | 10 158 |
| 2026-11-02 | 11 033 |
| 2026-11-09 | 12 917 |
Le télétravail dans le temps
Part des offres Ingénieur de recherche proposant un télétravail complet, par semaine.
Offres en télétravail, %
Données du graphique
| Période | Télétravail |
|---|---|
| 2026-06-01 | 30,8 |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | 15,4 |
| 2026-06-29 | 22,8 |
| 2026-07-06 | 37 |
| 2026-07-13 | 17,9 |
| 2026-07-20 | 20 |
| 2026-07-27 | 58,3 |
| 2026-08-03 | 7,9 |
| 2026-08-10 | 42,9 |
| 2026-08-17 | 22,7 |
| 2026-08-24 | 18,4 |
| 2026-08-31 | 42,9 |
| 2026-09-07 | 9,5 |
| 2026-09-14 | 18 |
| 2026-09-21 | 15,1 |
| 2026-09-28 | 49,6 |
| 2026-10-05 | 28,2 |
| 2026-10-12 | 31,3 |
| 2026-10-19 | 24 |
| 2026-10-26 | 46,2 |
| 2026-11-02 | 18,8 |
| 2026-11-09 | 32,8 |
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
| Semaine | Télétravail |
|---|---|
| 2026-06-01 | 30,8 |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | 15,4 |
| 2026-06-29 | 22,8 |
| 2026-07-06 | 37 |
| 2026-07-13 | 17,9 |
| 2026-07-20 | 20 |
| 2026-07-27 | 58,3 |
| 2026-08-03 | 7,9 |
| 2026-08-10 | 42,9 |
| 2026-08-17 | 22,7 |
| 2026-08-24 | 18,4 |
| 2026-08-31 | 42,9 |
| 2026-09-07 | 9,5 |
| 2026-09-14 | 18 |
| 2026-09-21 | 15,1 |
| 2026-09-28 | 49,6 |
| 2026-10-05 | 28,2 |
| 2026-10-12 | 31,3 |
| 2026-10-19 | 24 |
| 2026-10-26 | 46,2 |
| 2026-11-02 | 18,8 |
| 2026-11-09 | 32,8 |
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
| Période | Python | pytorch | llm |
|---|---|---|---|
| 2026-08-10 | 24,1 | 27,6 | 37,9 |
| 2026-08-17 | 18,6 | 7 | 41,9 |
| 2026-08-24 | 37,5 | 20,8 | 25 |
| 2026-08-31 | 28 | 28 | 16 |
| 2026-09-07 | 35,7 | 14,3 | 28,6 |
| 2026-09-14 | 34,6 | 15,4 | 23,1 |
| 2026-09-21 | 32,7 | 13,3 | 10,2 |
| 2026-09-28 | 45 | 22,5 | 26,2 |
| 2026-10-05 | 40,2 | 19,5 | 15,9 |
| 2026-10-12 | 42,5 | 28,7 | 27,6 |
| 2026-10-19 | 50,5 | 36 | 25,2 |
| 2026-10-26 | 43,8 | 23 | 37,6 |
| 2026-11-02 | 45,5 | 30 | 28,2 |
| 2026-11-09 | 62,9 | 29,9 | 29,9 |
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
| Semaine | Python | pytorch | llm | cloud | C++ |
|---|---|---|---|---|---|
| 2026-08-10 | 24,1 | 27,6 | 37,9 | 6,9 | 13,8 |
| 2026-08-17 | 18,6 | 7 | 41,9 | 4,7 | 9,3 |
| 2026-08-24 | 37,5 | 20,8 | 25 | 16,7 | 6,2 |
| 2026-08-31 | 28 | 28 | 16 | 12 | 12 |
| 2026-09-07 | 35,7 | 14,3 | 28,6 | 7,1 | 7,1 |
| 2026-09-14 | 34,6 | 15,4 | 23,1 | 15,4 | 11,5 |
| 2026-09-21 | 32,7 | 13,3 | 10,2 | 19,4 | 6,1 |
| 2026-09-28 | 45 | 22,5 | 26,2 | 18,8 | 18,8 |
| 2026-10-05 | 40,2 | 19,5 | 15,9 | 13,4 | 17,1 |
| 2026-10-12 | 42,5 | 28,7 | 27,6 | 12,2 | 12,7 |
| 2026-10-19 | 50,5 | 36 | 25,2 | 20,7 | 18 |
| 2026-10-26 | 43,8 | 23 | 37,6 | 19,1 | 13,5 |
| 2026-11-02 | 45,5 | 30 | 28,2 | 17,3 | 20 |
| 2026-11-09 | 62,9 | 29,9 | 29,9 | 22,2 | 25,7 |
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
| Période | États-Unis | Royaume-Uni | Singapour |
|---|---|---|---|
| 2026-06-22 | 50 | 15 | 0 |
| 2026-06-29 | 37,3 | 8,4 | 30,1 |
| 2026-07-06 | 71,3 | 9,4 | 3,3 |
| 2026-07-13 | 31,4 | 3,1 | 61 |
| 2026-07-20 | 39,8 | 18,1 | 24,1 |
| 2026-07-27 | 48,7 | 10,3 | 5,1 |
| 2026-08-03 | 58,8 | 16,2 | 2,5 |
| 2026-08-10 | 57,9 | 12,3 | 8,8 |
| 2026-08-17 | 59,6 | 10,5 | 0,9 |
| 2026-08-24 | 61,5 | 22,1 | 0 |
| 2026-08-31 | 68,9 | 17,8 | 0 |
| 2026-09-07 | 36,7 | 35 | 8,3 |
| 2026-09-14 | 55,3 | 19,7 | 2,6 |
| 2026-09-21 | 72,5 | 11 | 1,2 |
| 2026-09-28 | 47,2 | 7,7 | 2,8 |
| 2026-10-05 | 47,3 | 21,4 | 2,7 |
| 2026-10-12 | 46,5 | 13 | 2,5 |
| 2026-10-19 | 59,3 | 15,6 | 2,5 |
| 2026-10-26 | 49,8 | 14 | 2,1 |
| 2026-11-02 | 51,3 | 12,5 | 2,2 |
| 2026-11-09 | 54,9 | 15,8 | 4,7 |
La série commence le 22 juin : aucune donnée avant.
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
| Semaine | États-Unis | Royaume-Uni | Singapour | France | Allemagne |
|---|---|---|---|---|---|
| 2026-06-01 | — | — | — | — | — |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 50 | 15 | 0 | 0 | 0 |
| 2026-06-29 | 37,3 | 8,4 | 30,1 | 8,4 | 0 |
| 2026-07-06 | 71,3 | 9,4 | 3,3 | 5 | 0 |
| 2026-07-13 | 31,4 | 3,1 | 61 | 0,7 | 0 |
| 2026-07-20 | 39,8 | 18,1 | 24,1 | 1,2 | 0 |
| 2026-07-27 | 48,7 | 10,3 | 5,1 | 2,6 | 2,6 |
| 2026-08-03 | 58,8 | 16,2 | 2,5 | 3,8 | 5 |
| 2026-08-10 | 57,9 | 12,3 | 8,8 | 1,8 | 1,8 |
| 2026-08-17 | 59,6 | 10,5 | 0,9 | 4,4 | 3,5 |
| 2026-08-24 | 61,5 | 22,1 | 0 | 1,9 | 4,8 |
| 2026-08-31 | 68,9 | 17,8 | 0 | 0 | 0 |
| 2026-09-07 | 36,7 | 35 | 8,3 | 0 | 0 |
| 2026-09-14 | 55,3 | 19,7 | 2,6 | 0 | 0 |
| 2026-09-21 | 72,5 | 11 | 1,2 | 4,3 | 2 |
| 2026-09-28 | 47,2 | 7,7 | 2,8 | 5,6 | 2,8 |
| 2026-10-05 | 47,3 | 21,4 | 2,7 | 6,2 | 4,5 |
| 2026-10-12 | 46,5 | 13 | 2,5 | 3,5 | 2,1 |
| 2026-10-19 | 59,3 | 15,6 | 2,5 | 4,9 | 2,5 |
| 2026-10-26 | 49,8 | 14 | 2,1 | 4,5 | 1,2 |
| 2026-11-02 | 51,3 | 12,5 | 2,2 | 3,4 | 14,7 |
| 2026-11-09 | 54,9 | 15,8 | 4,7 | 5,5 | 2,8 |
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
| Période | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
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
| Jour | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Combien d'offres Ingénieur de recherche ouvertes il y a et combien de spécialistes correspondants Zorky observe.
Demande et offre observée
Données du graphique
| Indicateur | Valeur |
|---|---|
| Demande ouverte | 1 112 |
| Demande ouverte | 1 112 |
| 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
Données du graphique
| Indicateur | Valeur |
|---|---|
| <$1k | 1 |
| $1–2k | 1 |
| $2–3k | 2 |
| $3–4k | 0 |
| $4–5k | 0 |
| $5–6k | 2 |
| $6–7k | 4 |
| $7–8k | 5 |
| $8–9k | 6 |
| $9–10k | 3 |
| $10–12k | 25 |
| $12–15k | 26 |
| $15–20k | 44 |
| $20k+ | 27 |
- 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
| Indicateur | Borne inférieure | Borne supérieure | Nombre |
|---|---|---|---|
| <$1k | 0 | 1 000 | 1 |
| $1–2k | 1 000 | 2 000 | 1 |
| $2–3k | 2 000 | 3 000 | 2 |
| $3–4k | 3 000 | 4 000 | 0 |
| $4–5k | 4 000 | 5 000 | 0 |
| $5–6k | 5 000 | 6 000 | 2 |
| $6–7k | 6 000 | 7 000 | 4 |
| $7–8k | 7 000 | 8 000 | 5 |
| $8–9k | 8 000 | 9 000 | 6 |
| $9–10k | 9 000 | 10 000 | 3 |
| $10–12k | 10 000 | 12 000 | 25 |
| $12–15k | 12 000 | 15 000 | 26 |
| $15–20k | 15 000 | 20 000 | 44 |
| $20k+ | 20 000 | — | 27 |
Dans quels pays il y a le plus d'offres Ingénieur de recherche ouvertes.
Géographie de la demande
| pays | offres | part |
|---|---|---|
| États-Unis | 625 | 63,7% |
| Royaume-Uni | 102 | 10,4% |
| France | 43 | 4,4% |
| Singapour | 31 | 3,2% |
| Suisse | 28 | 2,9% |
| Inde | 26 | 2,7% |
| Allemagne | 19 | 1,9% |
| Canada | 17 | 1,7% |
| Corée du Sud | 17 | 1,7% |
| Japon | 15 | 1,5% |
| Autres pays | 58 | 5,9% |
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
| Pays | Offres |
|---|---|
| US | 625 |
| GB | 102 |
| FR | 43 |
| SG | 31 |
| CH | 28 |
| IN | 26 |
| DE | 19 |
| CA | 17 |
| KR | 17 |
| JP | 15 |
Quelles technologies sont le plus souvent demandées dans la même offre que Ingénieur de recherche.
Utilisée avec
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
| Nom | Nombre |
|---|---|
| python | 337 |
| pytorch | 197 |
| llm | 180 |
| cloud | 131 |
| c++ | 107 |
| fine-tuning | 95 |
| tensorflow | 52 |
| aws | 34 |
| docker | 33 |
| kubernetes | 33 |
| go | 31 |
| transformers | 27 |
Combien d'offres Ingénieur de recherche il y a à chaque niveau, de junior à principal.
Demande par niveau
| niveau | offres |
|---|---|
| senior | 155 |
| principal | 135 |
| junior | 113 |
| lead | 48 |
| middle | 18 |
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
| Niveau | Nombre |
|---|---|
| senior | 155 |
| principal | 135 |
| junior | 113 |
| lead | 48 |
| middle | 18 |
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.
| part | valeur |
|---|---|
| top 1 | 8.3% |
| top 3 | 15.8% |
| top 10 | 22.8% |
| longue traîne | 77.2% |
⚠ 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
| Classe | Nom | Nom anglais | Nombre | Part |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS et sites carrières | 932 | 0,8381 |
| board | джоб-борды и агрегаторы | job boards et agrégateurs | 154 | 0,1385 |
| telegram | Telegram | Telegram | 23 | 0,0207 |
| communauté | сообщества и публичные профили | communauté et profils publics | 3 | 0,0027 |
Les offres Ingénieur de recherche les plus récentes, issues des pages carrières des entreprises.
Postes récents
- Research Engineer, Machine Learning · GB
- Research Engineer, Agents · GB
- AI Research Engineer · DE
- Lead Operations Research Scientist - Trade Optimization (Minneapolis preferred · US · $14 325
- Senior Research Scientist (Центр практического ИИ) [Сбербанк] · RU
- Research Engineer · GB · $25 000
- Senior Research Engineer - Scientific AI · $9 511
- AI Research Scientist - Fully Remote | Upto $90/hr · US
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.
Marchés voisins
La recherche recoupe le ML Engineer (ingénierie de l'infrastructure expérimentale), le Research Engineer dans le milieu académique (équivalent d'un parcours doctoral), le Data Scientist Senior (méthodologie d'analyse statistique), le Backend Engineer (collaboration pour le transfert de la recherche en production). Comparaison avec ml-engineer/data-scientist/mlops — dans le SiblingSubnichesChart ci-dessus.
⚠ les marchés voisins de comparaison ne sont pas encore définis
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.
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.