Gate News 訊息，4 月 22 日——Hugging Face 已開源 ml-intern，這是一款 ML 研究代理，能夠自主完成整個工作流程：閱讀論文、整理資料集、啟動 GPU 訓練、評估結果，並持續迭代改進。該專案基於 Hugging Face 的 smolagents 框架，並提供 CLI 與網頁式介面，程式碼可在 GitHub 上取得。
ml-intern 工具鏈以 Hugging Face 生態系為核心。它從 arXiv 與 HF Papers 擷取論文，同時追蹤引用鏈以便進行更深入的閱讀；在 HF Hub 上瀏覽資料集、驗證品質，並重新格式化資料以用於訓練；當本地 GPU 資源不可用時，會呼叫 HF Jobs 來啟動基於雲端的訓練任務。訓練完成後，代理會自動閱讀評估輸出、診斷失敗原因，並重新執行實驗。預設情況下，它使用 Claude Sonnet 4.5 來驅動決策迴圈，每次執行最多 300 次迭代；當超過 170k tokens 時，會自動進行情境壓縮。
Hugging Face 展示了三個使用案例。在科學推理任務中，該代理透過引用鏈找出 OpenScience 與 NemoTron-CrossThink 資料集，並根據難度等級從 ARC、SciQ 與 MMLU 篩選出 7 個變體；接著在 Qwen3-1.7B 上進行 12 輪的監督式微調，使 GPQA 分數在 10 小時內從 10% 提升到 32%。在醫療應用中，該代理判定既有資料集不足，撰寫腳本以生成 1,100 個合成資料樣本，並將其擴增 50 倍用於訓練；在 HealthBench 上，其效能超過 Codex 60%。在競賽型數學情境中，該代理編寫了 GRPO 訓練腳本，並透過 HF Spaces 在 A100 GPU 上啟動訓練；隨後在觀察到獎勵崩潰後進行了消融研究。
