Hugging Face опубликовал подробный разбор ML-intern - режима агента внутри HuggingChat, который по промпту с описанием нужной модели планирует проект, запрашивает лимит расходов перед тем, как что-либо запускать, обучает и оценивает результат относительно базовой модели, а затем публикует его на Hub вместе с оценкой в карточке модели.
Пост, написанный сотрудником Hugging Face, описывает шесть моделей, построенных таким способом за несколько дней. Зрительная модель для определения болезней цитрусовых, дообученная из Qwen3.5-2B на 3017 размеченных изображениях, выросла с базовой точности 14,9% до 52,8% после двух эпох обучения примерно за $1,90 вычислений. 'Pocket Rewriter' - модель на 0,8 млрд параметров, дистиллированная из модели переписывания промптов на 9 млрд параметров - выдаёт корректный результат в 99,7% случаев, используя четверть токенов учительской модели, и работает на CPU, примерно за $16. Среди других примеров - LoRA-адаптации для смены ракурса камеры и замены каракулей для Qwen-Image 2.1, а также 4-шаговая дистиллированная версия модели текст-в-изображение на 260 млн параметров. Суммарные вычисления по всем шести проектам составили около $103.
ML-intern начинает каждую задачу с нулевого бюджета и требует явного разрешения перед тратами, которое закрепляется через лимит расходов, задаваемый пользователем в промпте (например, "ограничить общие расходы до 12 долларов США"). Автор отмечает, что промпты улучшались по мере итераций - первый был объёмом около 450 слов, шестой - уже около 2000, - и что два элемента оказались важнее всего: запрос базовой оценки перед обучением и обязательный небольшой smoke-тест перед запуском полного цикла.
ML-intern уже доступен внутри HuggingChat - достаточно включить режим и отправить промпт; собственные промпты автора опубликованы на GitHub как шаблоны для старта.