Hugging Face publicó un relato detallado de ML-intern, un modo agente dentro de HuggingChat que toma un prompt describiendo el modelo que alguien quiere, luego planifica el proyecto, pide un límite de gasto antes de ejecutar nada, entrena y evalúa el resultado contra una línea base, y lo publica en el Hub junto con su evaluación en la ficha del modelo.
El artículo, escrito por un miembro del equipo de Hugging Face, repasa seis modelos construidos de esta forma en pocos días. Un modelo de visión para enfermedades de cítricos, ajustado a partir de Qwen3.5-2B sobre 3,017 imágenes anotadas, pasó de una precisión base de 14.9% a 52.8% tras dos épocas, por unos $1.90 de cómputo. Un 'Pocket Rewriter', un modelo de 0.8B destilado de un modelo de reescritura de prompts de 9B, devuelve salidas válidas el 99.7% de las veces usando una cuarta parte de los tokens del modelo maestro y corre en CPU, por aproximadamente $16. Otros ejemplos incluyen LoRAs de ángulo de cámara y reemplazo de dibujos para Qwen-Image 2.1, y una versión destilada de 4 pasos de un modelo de texto a imagen de 260M de parámetros. El cómputo total de los seis proyectos sumó cerca de $103.
ML-intern comienza cada tarea con presupuesto cero y exige permiso explícito antes de gastar, impuesto mediante un tope de gasto que el usuario fija en el prompt (por ejemplo, "limitar el gasto total a USD 12"). El autor señala que los prompts mejoraron con la iteración: el primero tenía unas 450 palabras, el sexto se acercó a 2,000, y que dos elementos resultaron más importantes: pedir una puntuación base antes de entrenar y exigir una prueba piloto breve antes de comprometerse con una corrida completa.
ML-intern está disponible ahora dentro de HuggingChat activando el modo y enviando un prompt; los propios prompts del autor están publicados en GitHub como plantillas de partida.