标签
一篇 Hugging Face 博客详细介绍了用户如何通过提示词引导 ML Intern 智能体，在短短几天内构建出六个自定义小模型，其中包括将 Qwen-Image 2.1 中 9B 参数的提示词重写器蒸馏为仅 0.8B、可在 CPU 上运行的轻量版本，算力成本仅 16 美元；文中还分享了让这一流程稳定可靠的提示词技巧，包括基线检查、冒烟测试和预算上限设置。
Hugging Face 正在 HuggingChat 中发布 ML Intern，这是一个 AI 代理，通过处理从对话到 Hub 上可共享制品的整个过程，简化模型训练。
这篇文章保证潜在的收购不会损害开源承诺，并介绍了ML Intern，HuggingChat中的一项新工具，使ML构建者能够通过对话创建模型和应用。
Hugging Face 开源了 ml-intern，一个自主智能体，能够完成整个机器学习后训练循环——阅读论文、查找数据集、编写脚本、生成数据、监控训练并上传权重——在无需人工干预的情况下，使用1.7B模型在10小时内实现了显著的GPQA提升。
Hugging Face 推出的 ml-intern 项目在 GitHub 上爆火，能够自主完成论文调研、数据处理、训练脚本编写和模型训练的全流程自动化，无需人工干预即可将小模型（如 Qwen3-1.7B）的性能大幅提升，甚至超越 Claude Code。
使用 ml-intern 和 DeepSeek V4 Flash 训练了一个提示注入分类器，使用 DistilBERT 实现 F1 99%，优化至 ONNX int8（约 65 MB），可通过 Transformers.js v3 在浏览器中运行。
Hugging Face 开源了 ml-intern，这是一个自主代理，能够阅读 ML 论文、发现数据集、训练模型、调试失败、并将生产就绪的模型上传到 Hub，自动化整个后训练工作流程。
开发者盛赞 ml-intern 工具，称其极大简化了模型/数据集发现、训练后迭代与数据处理流程。