Hugging Face 开源了 ml-intern，一款用于自动论文阅读、数据选择和训练的机器学习研究代理

根据东查贝廷的监测，Hugging Face 已开源 ml-intern，这是一个能够自主完成“阅读论文、整理数据集、启动GPU训练、评估结果和迭代改进”全过程的机器学习研究代理。该项目基于他们自主开发的 smolagents 框架，提供命令行界面（CLI）和网页访问，代码已在 GitHub 上开源。ml-intern 的工具链围绕 Hugging Face 生态系统构建：它从 arXiv 和 HF Papers 获取论文，并进行深度阅读沿着引用链；它浏览 HF Hub 上的数据集，检查质量，重新格式化，然后输入训练；当没有本地GPU时，可以调用 HF Jobs 启动云端训练任务，自动读取评估输出，诊断失败原因，并在训练完成后重新运行。默认情况下，它使用 Claude Sonnet 4.5 驱动决策循环，每次运行最多 300 次迭代，并对超过 170k 令牌的上下文进行自动压缩。Hugging Face 在其发布文章中提供了三个案例研究。在科学推理任务中，代理从基准论文的引用链中识别出 OpenScience 和 NemoTron-CrossThink 数据集，过滤出基于难度的 ARC、SciQ 和 MMLU 的七个变体，并在 Qwen3-1.7B 上进行了 12 轮 SFT，令 GPQA 分数从 10% 提升到 32%，用时不到 10 小时。在医疗场景中，代理判断现有数据集质量不足，自动编写脚本生成 1,100 个合成数据点，将数据集扩展了 50 倍用于训练，在 HealthBench 上超越 Codex 超过 60%。在竞赛数学场景中，代理自主编写了 GRPO 训练脚本，并在 HF Spaces 上启动 A100 训练，观察到奖励崩溃，并进行了消融实验以调查原因。