Hugging Faceが「ml-intern」公開：論文読解から学習まで自律実行するAI研究員

機械学習の現場でインターンを指導したことがある人なら、その日常がよくわかるはずです。最新の論文を何本か読ませ、引用されているデータセットを探して前処理させ、学習スクリプトを微調整して夜通し損失曲線を監視させる。

Hugging Faceはその地道で泥臭い作業を、丸ごとAIに任せる道を選びました。

同社は4月22日、大規模言語モデル（LLM）の事後学習（ポストトレーニング）を自動化するオープンソースAgent「ml-intern」を公開しました。

論文を読み、スクリプトを自作し、10時間でスコアを引き上げる

ml-internはHugging Faceの軽量Agent基盤「smolagents」をベースに構築されており、研究者の思考プロセスを模した自律ループで動作します。

その実力を証明したのが、テュービンゲン大学とマックス・プランク研究所の研究者らが提唱したベンチマーク「PostTrainBench」での検証です。単一のH100 GPUと10時間という厳格な制約のもとで、ベースモデルの性能をどこまで引き上げられるかを競います。

公式デモにおいて、ml-internはGPQA科学的推論ベンチマークで初期スコア約10%だったQwen3-1.7Bベースモデルを担当しました。自らarXivやHugging Face Papersを巡回して引用関係をたどり、Hubから適切なデータを取得して学習を実行。開始からわずか3時間強で27.5%を突破し、10時間後には32%（別検証では最高39%）にまで数値を押し上げました。

同じタスクにおけるClaude Codeの記録が22.99%にとどまる中、わずか1.7Bパラメータの小型モデルからここまでの推論能力を短時間で絞り出した点は、人間にとっても容易ではありません。

単なる微調整にとどまらない、合成データ生成とGRPOの実装

ml-internが従来のスクリプト実行ツールと一線を画すのは、問題に直面した際のリカバリー能力です。

たとえば医療分野の検証では、既存の公開データセットを評価した結果「信頼できる微調整には品質が不十分」と自ら判断。医療用語の表現や多言語救急対応などのエッジケースに特化した合成データ生成スクリプトを書き上げ、データ拡張を行ってHealthBenchのスコアを改善させました。

数学分野の検証では、PPOよりもメモリ消費を抑えられる強化学習手法「GRPO（Group Relative Policy Optimization）」のスクリプトを実装。A100 GPU上で学習を回し、報酬の破綻を検知しながらアブレーション実験を重ねてモデルを仕上げています。

環境面でもHugging Faceのエコシステムと密接に連携しています。ローカルの計算資源が足りなければHugging Face Jobs経由で計算を実行し、実験管理にはTrackioを活用。ユーザーは一連の試行錯誤をイベントストリームで監視できます。

なぜ重要か

私たちは、ml-internがAgentの活用先として極めて現実的で賢い領域を射止めたと考えています。

一般的なソフトウェア開発向けAgentは、仕様の曖昧さや環境依存のエラーに足を取られがちです。一方でLLMの事後学習は、「論文を読み、データを整え、ベンチマークスコアを高める」という明確な評価軸とループが存在するため、自律Agentとの相性が抜群に良い分野です。

中小規模のスタートアップや個人の開発者にとって、これは初級リサーチャー数人分の下働きを夜間に自動実行できる環境が手に入ったことを意味します。自然言語で指示を投げておくだけで、翌朝には評価済みのチェックポイントが手元に残るわけです。

業界全体で見れば、これはHugging Faceによる強力なエコシステム防衛策と言えます。フロンティアモデルの規模競争を真っ向から挑むのではなく、自社の論文アーカイブ、データセット、モデル共有ハブ、ジョブ実行基盤を「AI研究員が活動するためのインフラ」として有機的に結びつけました。

もちろん限界もあります。ml-internは既存の公開手法を効率よく探索・組み合わせる能力に長けていますが、全く新しいアーキテクチャをゼロから発明できるわけではありません。しかし、研究者が最も時間を奪われていた定型的な試行錯誤を肩代わりしてくれるツールとして、試してみる価値は十分にあります。