Hugging Face 开源 ml-intern：能读论文、跑训练的「AI 实习生」

如果你带过实习生，大概对这种日常很熟悉：给一个方向，让他们去读三五篇最新论文，把里面的数据集找出来洗干净，改改训练脚本跑个微调，然后盯着 loss 曲线汇报结果。

现在 Hugging Face 觉得，这套枯燥的后训练苦活，其实可以让 AI 自己去干了。

Hugging Face 正式开源了 ml-intern。顾名思义，它就是一个住在你终端里的机器学习实习生，专门帮工程师自动化打通模型后训练（Post-Training）的全流程。

读 arXiv、写脚本，10 小时把模型刷上去

这套框架底层基于 Hugging Face 的 smolagents，跑起来是一个标准的自主 Agent 循环。

它最抢眼的战绩是在 PostTrainBench 基准上的表现。这个基准由图宾根大学和马克斯·普朗克研究所提出，专门卡死在一张单卡 H100 和 10 小时时间限制里，考验 Agent 能不能把一个基座模型练出名堂。

在官方测试中，ml-intern 接手了原本在 GPQA 科学推理基准上只有约 10% 分数的 Qwen3-1.7B。它自己去查 arXiv 和 Hugging Face Papers，理顺引用关系找数据，清洗格式并启动微调。

仅仅过了 3 个多小时，分数就越过了 27.5%；10 小时跑完，成绩被拉高到了 32%（另有测试记录最高摸到了 39%）。

作为对比，同样任务下的 Claude Code 得分是 22.99%。拿一个 1.7B 参数的小模型压榨出这种推理提升，哪怕换经验丰富的研究员手动调参，十个小时内也很难交出更漂亮的答卷。

不只是改代码，它还会造合成数据和玩 RLHF

ml-intern 之所以让人眼前一亮，在于它掌握的手段已经超出了简单的跑脚本批处理。

比如在医疗场景测试里，它自己评估了一圈现存的数据集，判断数据质量不够支撑可靠微调，转头就自己写代码生成了一批针对边缘案例的合成数据，涵盖医疗免责表述和多语言急救场景，混入训练集后成功刷高了 HealthBench 的分数。

到了数学领域，它甚至能自己写 GRPO（群相对策略优化）脚本跑强化学习，在 A100 上跑消融实验、排查奖励崩溃（reward collapse），直到把模型性能榨干为止。

它还能深度调用 Hugging Face 的自有资产。本地算力不够时，直接通过 Hugging Face Jobs 调度算力；实验追踪不用第三方的 Weights & Biases，而是用自家的开源方案 Trackio，用户还能通过事件流实时监控它的一举一动。

为什么重要

我们认为，ml-intern 最聪明的地方在于找准了 Agent 落地的甜蜜点。

过去很多写代码的 Agent 都在通用软件工程里打转，修一个前端 bug 或者写个爬虫，往往因为环境配置和不确定性陷入死循环。但机器学习的后训练流程，目标函数极其明确，输入是论文和数据集，输出是评测榜单上的一个确定数字。

对中小型团队和独立开发者来说，这意味着门槛被踩平了一大截。你不需要养一个专门做调参和数据清洗的初级研究组，丢一句自然语言指令，它就能在夜里默默把一打开源基座模型试跑一轮。

对行业而言，这是 Hugging Face 防御大厂封锁的一记妙招。它没有去拼万亿参数的算力怪兽，而是把自身最大的优势——Hub 上的海量模型、数据集、论文和工具链——全部封装成 Agent 触手可及的基建。只要你的工作流被它接管，你就离不开 Hugging Face 的全家桶。

当然，它目前也有明显边界。说到底，它依然是个执行力极强的「实习生」，擅长在前人已经铺好路的论文里拼装现成方案。真正定义全新架构、提出颠覆性理论的事，它还做不来。但对于每天被琐碎训练打断思考的研究员来说，把脏活甩给它，已经足够划算了。