Hugging Face посадила ИИ-стажёра обучать нейросети прямо в чате

Hugging Face встроила в чат-бот HuggingChat агента ML Intern, который проходит цикл машинного обучения по описанию задачи словами. Он подбирает модели и датасеты, оценивает стоимость вычислений, обучает модель и выкладывает готовые веса обратно на Hub. Навыков разработчика для запуска не нужно.

ML Intern — открытый агент Hugging Face, который берёт на себя работу ML-инженера по текстовому заданию. Компания подаёт его как способ проверить идею без команды, без кода и без предварительной оценки бюджета на глазок. Исходники агента лежат на GitHub, а запускается он теперь прямо из окна чата.

От фразы в чате до весов на Hub

Пользователь описывает задачу обычными словами. Например, дообучить небольшую модель отвечать на вопросы по своей документации. Дальше ML Intern уходит искать подходящие модели и датасеты на Hugging Face Hub, в GitHub и в открытых источниках, собирает набор данных и запускает обучение на арендованных видеокартах.

Каждому прогону агент заводит отдельный дашборд, где видно, что происходит с обучением прямо сейчас. По итогам пользователь получает:

веса обученной модели, выложенные на Hub;
отчёт о том, что делалось и с каким результатом;
собранный по дороге датасет;
интерактивное демо, которое открывается в браузере.

Стоимость эксперимента объявляют до старта

Перед запуском ML Intern считает нужные вычисления и показывает бюджет. Дальше агент не двигается, пока человек не подтвердит сумму, и за названную границу гарантированно не выходит. В показательном прогоне Hugging Face обучение заняло около шести часов и обошлось меньше чем в 50 центов.

Полдоллара за шесть часов — витринная цифра на маленькой задаче. Проверка бюджетной механики начнётся, когда кто-нибудь сведёт обещанную оценку со счётом за настоящий проект.

Апрельский консольный агент переехал в окно чата

Сам ml-intern не новый. Hugging Face выложила его ещё в апреле как инструмент командной строки для тех, кто умеет ставить пакеты и заводить токены доступа. Агент построен на собственном фреймворке компании smolagents, ходит за видеокартами в HF Jobs, пишет логи экспериментов в Trackio и подключается к внешним инструментам через MCP.

По умолчанию он работает на моделях Anthropic , но идентификатор модели подменяется на любого провайдера или на локальный запуск через Ollama, vLLM, LM Studio и llama.cpp. Один прогон ограничен тремя сотнями шагов. На случай, когда агент застревает и повторяет одно и то же действие по кругу, в него встроен детектор зацикливания.

Сентябрьский запуск снял с продукта единственное серьёзное требование к пользователю — умение работать в терминале. Аудитория выросла с ML-инженеров до всех, кто открывал HuggingChat.

32% на GPQA против 22,99% у Claude Code

Цифры, которыми Hugging Face защищает агента, собраны на трёх задачах. В тесте научных рассуждений GPQA ML Intern за неполные десять часов вывел модель на 32%, у Claude Code на том же месте вышло 22,99%. На медицинском наборе HealthBench агент обошёл Codex на 60%, обучив модель на синтетических данных, которые сгенерировал сам. Третий сюжет — полный пайплайн для соревновательной математики с абляциями, то есть прогонами, где по одному отключают элементы схемы и смотрят, какой из них реально давал результат.

Условия замеров компания не раскрыла, независимых проверок пока нет. Курируемый бенчмарк и живой проект с грязными данными — разные виды спорта, и Hugging Face этого не скрывает.

Про долю удачных прогонов компания молчит

Hugging Face нигде не публикует, как часто автономная фаза заканчивается чем-то пригодным. Агент может отработать все триста шагов, израсходовать бюджет и отдать модель, которая ничему не научилась. Оценить вероятность такого исхода по опубликованным материалам нельзя.

Второй пробел — данные. Реальная ML-задача упирается в лицензии датасетов, согласия на использование и качество разметки, а источники ML Intern подбирает сам. Отвечать за то, на чём обучалась модель, будет человек, нажавший кнопку подтверждения.

Железо выбирает агент, а компанию покупает NVIDIA

ML Intern сам решает, на каком железе считать задачу. Hugging Face в это же время проходит сделку с NVIDIA на 12,93 млрд долларов с закрытием в первой половине 2027 года, и Дженсен Хуанг публично обещал сохранить платформу открытой и нейтральной к производителю. Обещание нейтральности и агент, который распределяет чужие вычисления за пользователя, сошлись в одном продукте раньше, чем сделка закрылась.

С чего начинать тем, кто захочет попробовать

Смотреть на предложенный бюджет и потом сводить его с итоговым счётом — единственная честная проверка, доступная сразу. Ранним пользователям Hugging Face выдаёт тысячу долларов на GPU и кредиты Anthropic, так что первый эксперимент ставится бесплатно. Начинать стоит на данных, которые не жалко показать посторонним, потому что независимой оценки агента пока нет ни у кого.

Цена одной попытки упала до полудоллара

Для человека без опыта в машинном обучении путь от идеи до обученной модели впервые укладывается в один вечер и мелочь на счету. Дальше всё упирается в цифру, которую Hugging Face не показала, — долю прогонов, после которых на руках остаётся что-то работающее. Первые честные отзывы появятся, когда у ранних пользователей закончатся раздаточные кредиты. Тогда и станет видно, сколько из них вернулись за вторым экспериментом.

hugging face ml intern