A Hugging Face publicou um relato detalhado sobre o ML-intern, um modo de agente dentro do HuggingChat que recebe um prompt descrevendo o modelo que alguém quer, planeja o projeto, pede um limite de gastos antes de executar qualquer coisa, treina e avalia o resultado contra uma linha de base e o publica no Hub com a avaliação no model card.
O texto, escrito por um membro da equipe da Hugging Face, percorre seis modelos construídos dessa forma ao longo de poucos dias. Um modelo de visão para doenças cítricas, ajustado a partir do Qwen3.5-2B com 3.017 imagens anotadas, saiu de uma acurácia de base de 14,9% para 52,8% após duas épocas, por cerca de US$1,90 em computação. Um 'Pocket Rewriter' — modelo de 0,8B destilado a partir de um modelo de reescrita de prompts de 9B — retorna saída válida em 99,7% das vezes usando um quarto dos tokens do modelo professor e roda em CPU, por aproximadamente US$16. Outros exemplos incluem LoRAs de ângulo de câmera e substituição de rabiscos para o Qwen-Image 2.1, além de uma versão destilada em 4 passos de um modelo de texto para imagem com 260M de parâmetros. O custo total de computação nos seis projetos somou cerca de US$103.
O ML-intern começa toda tarefa com orçamento zero e exige permissão explícita antes de gastar, aplicada por meio de um teto de gastos que o usuário define no prompt (por exemplo, "limite o gasto total a US$12"). O autor observa que os prompts melhoraram com a iteração — o primeiro tinha cerca de 450 palavras, o sexto, perto de 2.000 — e que dois elementos foram os mais importantes: pedir uma pontuação de linha de base antes do treinamento e exigir um pequeno teste rápido antes de comprometer-se com uma execução completa.
O ML-intern já está disponível dentro do HuggingChat ao ativar o modo e enviar um prompt; os próprios prompts do autor estão publicados no GitHub como modelos de partida.