Hugging Face 开源 ml-intern：面向自主 ML 研究的 AI 代理

Gate News 消息，4 月 22 日——Hugging Face 已开源 ml-intern，这是一款 ML 研究代理，能够自主完成完整工作流：阅读论文、整理数据集、启动 GPU 训练、评估结果，并迭代改进。该项目基于 Hugging Face 的 smolagents 框架，提供 CLI 和基于网页的界面，代码可在 GitHub 上获取。

ml-intern 工具链围绕 Hugging Face 生态系统设计。它会从 arXiv 和 HF Papers 获取论文，同时追踪引文链以便进行更深入阅读；在 HF Hub 上浏览数据集、验证质量，并对数据进行重格式化以用于训练；当本地 GPU 资源不可用时，会调用 HF Jobs 来启动基于云的训练任务。训练完成后，代理会自动读取评估输出、诊断失败原因，并重新运行实验。默认情况下，它使用 Claude Sonnet 4.5 来驱动决策循环，每次运行最多 300 次迭代，并在超过 170k tokens 时自动进行上下文压缩。

Hugging Face 展示了三个用例。在科学推理任务中，代理通过引文链识别出 OpenScience 和 NemoTron-CrossThink 数据集；按难度级别从 ARC、SciQ 和 MMLU 中筛选出 7 个变体；并在 Qwen3-1.7B 上进行了 12 轮有监督微调，使 GPQA 分数在不到 10 小时内从 10% 提升到 32%。在医疗应用中，代理判断现有数据集不足，编写脚本生成 1,100 个合成数据样本，并将其扩展 50 倍用于训练；其在 HealthBench 上的表现比 Codex 高出 60%。在竞争性的数学场景中，代理编写了一个 GRPO 训练脚本，并通过 HF Spaces 在 A100 GPU 上启动训练；随后在观察到奖励崩塌后进行了消融研究。