ML Intern: o agente da Hugging Face que treina modelos no seu lugar
Imagine descrever uma tarefa de machine learning em inglês simples e ter um agente que escreve o código, busca datasets, treina o modelo e publica o checkpoint no Hugging Face Hub — tudo isso sem você tocar em uma linha de configuração. Esse é o ML Intern, o novo agente open-source da Hugging Face que funciona como um engenheiro de ML júnior com acesso ao terminal.
O que é o ML Intern
Diferente de um chatbot que gera código e para, o ML Intern segue um fluxo de trabalho iterativo: pesquisa papers e referências, busca datasets, escreve scripts de treinamento, executa jobs em GPU, avalia resultados, itera e publica o modelo treinado. Ele usa o ecossistema Hugging Face de ponta a ponta — smolagents como framework de agentes, HF Jobs para treinamento em GPU, Trackio para logging de experimentos, e os Inference Providers para rodar os modelos.
| Componente | Função no fluxo |
|---|---|
| smolagents | Framework de agentes que orquestra o fluxo de trabalho |
| HF Hub | Busca papers, datasets e publica o modelo final |
| arXiv | Pesquisa papers acadêmicos para referência |
| HF Jobs | Executa treinamento distribuído em GPUs |
| Trackio | Registra métricas e experimentos |
| GitHub | Busca implementações de referência em repositórios públicos |
Resultados que impressionam
A Hugging Face reportou que o ML Intern melhorou o desempenho de um modelo Qwen pequeno no benchmark GPQA (raciocínio científico) de ~10% para ~32% em menos de 10 horas. Não é um brinquedo que escreve um script e para — é um sistema desenhado para continuar iterando até atingir o objetivo.
Pré-requisitos e instalação
Para usar o ML Intern, você precisa de:
| Token | Por que é necessário | Permissão recomendada |
|---|---|---|
| HF_TOKEN | Acessar o Hub, Inference Providers, GPU sandboxes e jobs de treinamento | Write (ou Read se apenas for explorar) |
| GITHUB_TOKEN | Buscar repositórios públicos com implementações de referência | Fine-grained, read-only para repositórios públicos |
A instalação é feita em três comandos:
git clone [email protected]:huggingface/ml-intern.git
cd ml-intern
uv sync
uv tool install -e .Depois de instalar, basta rodar ml-intern no terminal e descrever sua tarefa em linguagem natural.
Por que isso importa
O ML Intern reduz drasticamente o tempo entre a ideia e o modelo treinado. Em vez de passar um fim de semana configurando data loaders, scripts de treinamento e pipelines de avaliação, você descreve o objetivo e deixa o agente trabalhar. Para times pequenos, pesquisadores independentes e empresas que não têm um exército de MLOps, isso pode ser a diferença entre executar uma ideia ou deixá-la na gaveta.
O projeto é open-source (licença Apache 2.0) e está disponível em huggingface/ml-intern no GitHub.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
