Hugging Face开源的ml-intern agent可自动化ML研究流程
介绍 ml-intern，这个 agent 自动化了
@huggingface
的 post-training 团队。
它是我们 ML 研究人员每天进行的真实研究循环的开源实现。你给它一个提示，它会研究论文，浏览引用，在 GPU 沙箱中实现想法，迭代并为任何用例构建深度研究支持的模型。全部基于 Hugging Face 生态系统构建。
它可以完成疯狂的事情：
我们让它训练了最好的科学推理模型。它浏览了官方基准论文的引用，找到了 OpenScience 和 NemoTron-CrossThink，从 ARC/SciQ/MMLU 添加了 7 个难度过滤的数据集变体，并在 Qwen3-1.7B 上运行了 12 次 SFT 运行。这使 GPQA 的分数在 10 小时内从 10% 提高到 32%。Claude Code 的最佳成绩是 22.99%。
在医疗场景中，它检查了可用的数据集，得出结论认为它们质量太低，并编写了一个脚本从头生成 1100 个用于紧急情况、对冲、多语言等合成数据点。然后进行了 50 倍上采样用于训练。在 HealthBench 上比 Codex 高出 60%。
对于竞赛数学，它编写了完整的 GRPO 脚本，在使用 A100 GPU 的 http://hf.co/spaces 上启动训练，观察奖励声明然后崩溃，并进行消融实验直到成功。全部由论文全面支持，自主完成。
它是如何工作的？
ml-intern 充分利用了 HF 生态系统：
- 在 arxiv 和 http://hf.co/papers 上查找论文，全面阅读，遍历引用图，拉取方法部分引用的数据集以及 http://hf.co/datasets 上的数据集
- 浏览 Hub，阅读最新文档，检查数据集并在训练前重新格式化，以免在不良数据上浪费 GPU 小时
- 如果没有本地 GPU，则在 HF Jobs 上启动训练作业，监控运行，读取自己的评估输出，诊断失败，重新训练
ml-intern 深度体现了研究人员的工作和思考方式。它知道数据应该是什么样的，以及好的模型感觉如何。
今天以 CLI 和可以从手机/桌面使用的 Web 应用发布。
CLI: https://github.com/huggingface/ml-intern/tree/main …
Web + 移动端: https://huggingface.co/spaces/smolagents/ml-intern …
最棒的部分？我们还为最快的用户提供了 1000 美元 GPU 资源和 Anthropic 积分。
@huggingface
的 post-training 团队。
它是我们 ML 研究人员每天进行的真实研究循环的开源实现。你给它一个提示，它会研究论文，浏览引用，在 GPU 沙箱中实现想法，迭代并为任何用例构建深度研究支持的模型。全部基于 Hugging Face 生态系统构建。
它可以完成疯狂的事情：
我们让它训练了最好的科学推理模型。它浏览了官方基准论文的引用，找到了 OpenScience 和 NemoTron-CrossThink，从 ARC/SciQ/MMLU 添加了 7 个难度过滤的数据集变体，并在 Qwen3-1.7B 上运行了 12 次 SFT 运行。这使 GPQA 的分数在 10 小时内从 10% 提高到 32%。Claude Code 的最佳成绩是 22.99%。
在医疗场景中，它检查了可用的数据集，得出结论认为它们质量太低，并编写了一个脚本从头生成 1100 个用于紧急情况、对冲、多语言等合成数据点。然后进行了 50 倍上采样用于训练。在 HealthBench 上比 Codex 高出 60%。
对于竞赛数学，它编写了完整的 GRPO 脚本，在使用 A100 GPU 的 http://hf.co/spaces 上启动训练，观察奖励声明然后崩溃，并进行消融实验直到成功。全部由论文全面支持，自主完成。
它是如何工作的？
ml-intern 充分利用了 HF 生态系统：
- 在 arxiv 和 http://hf.co/papers 上查找论文，全面阅读，遍历引用图，拉取方法部分引用的数据集以及 http://hf.co/datasets 上的数据集
- 浏览 Hub，阅读最新文档，检查数据集并在训练前重新格式化，以免在不良数据上浪费 GPU 小时
- 如果没有本地 GPU，则在 HF Jobs 上启动训练作业，监控运行，读取自己的评估输出，诊断失败，重新训练
ml-intern 深度体现了研究人员的工作和思考方式。它知道数据应该是什么样的，以及好的模型感觉如何。
今天以 CLI 和可以从手机/桌面使用的 Web 应用发布。
CLI: https://github.com/huggingface/ml-intern/tree/main …
Web + 移动端: https://huggingface.co/spaces/smolagents/ml-intern …
最棒的部分？我们还为最快的用户提供了 1000 美元 GPU 资源和 Anthropic 积分。