1
Pioneer Agent
Shares tags: ai
Outil d'IA
ml-intern Review
ml-intern est l'agent IA de Hugging Face conçu pour automatiser l'intégralité du flux de travail post-entraînement pour les modèles d'apprentissage automatique, en particulier les grands modèles linguistiques.
shipped 23 avr. 2026aifreemium
1Lancé par Hugging Face vers le 21-22 avril 2026, construit sur le framework smolagents.
2A obtenu une amélioration de +60% sur HealthBench et a augmenté le score GPQA d'un modèle Qwen3-1.7B de 8,5% à 32% en moins de 10 heures.
3Offre les certifications SOC2 et ISO, avec une conformité HIPAA disponible via un accord de partenariat commercial (BAA).
4Automatise la revue de littérature, la découverte de jeux de données, l'exécution de scripts d'entraînement et l'évaluation itérative pour les LLM.
ml-intern at a Glance
Outils similaires
Comparer les alternatives
D'autres outils à considérer
Voir sur Stork→
2
Datacurve
Shares tags: ai
3
NVIDIA MCG Toolkit
Shares tags: ai
4
langchain
Shares tags: ai
</>Embed "Featured on Stork" Badge▼
<a href="https://www.stork.ai/en/ml-intern" target="_blank" rel="noopener noreferrer"><img src="https://www.stork.ai/api/badge/ml-intern?style=dark" alt="ml-intern - Featured on Stork.ai" height="36" /></a>
[](https://www.stork.ai/en/ml-intern)
overview
Qu'est-ce que ml-intern ?
ml-intern est un outil d'agent IA développé par Hugging Face qui permet aux ingénieurs IA, chercheurs en ML, scientifiques des données et développeurs de logiciels d'automatiser les flux de travail post-entraînement pour les modèles d'apprentissage automatique, en particulier les grands modèles linguistiques. Il agit comme un agent IA polyvalent pour l'ingénierie de l'apprentissage automatique, capable de lire des articles, de trouver des jeux de données, d'entraîner des modèles et d'itérer pour améliorer les performances.
quick facts
Faits en bref
| Attribut | Valeur |
|---|---|
| Développeur | Hugging Face |
| Modèle économique | Noyau Open Source, Freemium pour les services/calculs associés |
| Tarification | Le noyau open-source est gratuit ; des coûts de calcul associés s'appliquent pour les Hugging Face Jobs. Accès freemium aux GPU, aux API d'inférence et aux ressources du Hub pour les "ML Agent Explorers". |
| Plateformes | Web (Hugging Face Spaces), API |
| API disponible | Oui (via les modèles et services sous-jacents) |
| Intégrations | Hugging Face Hub, Hugging Face Papers, arXiv, Trackio, Anthropic API |
| Fondé | Hugging Face (2016), ml-intern lancé (avril 2026) |
| Siège social | New York, NY, USA |
features
Fonctionnalités clés de ml-intern
ml-intern offre une suite complète de capacités conçues pour gérer et optimiser de manière autonome la phase post-entraînement du développement de modèles d'apprentissage automatique, en particulier pour les grands modèles linguistiques. Son architecture, construite sur le framework smolagents, met l'accent sur la génération et l'exécution de code Python pour les actions de l'agent, conduisant à une automatisation efficace et efficiente du flux de travail.
- 1Automatise les flux de travail post-entraînement de bout en bout pour les grands modèles linguistiques (LLM).
- 2Effectue des revues de littérature autonomes en parcourant arXiv et Hugging Face Papers, en lisant les sections de méthodologie et en traversant les graphes de citation.
- 3Découvre, inspecte et reformate les jeux de données du Hugging Face Hub pour l'entraînement.
- 4Exécute et débogue les tâches d'entraînement ML, y compris le lancement via Hugging Face Jobs lorsque le calcul local n'est pas disponible.
- 5Effectue une évaluation itérative des sorties du modèle et un réentraînement pour atteindre des améliorations de performance de référence.
- 6Diagnostique les échecs d'entraînement, tels que l'effondrement de la récompense dans les pipelines de Reinforcement Learning from Human Feedback (RLHF).
- 7Construit sur le framework smolagents, qui utilise des instances "CodeAgent" pour écrire des actions sous forme de snippets de code Python.
- 8S'intègre nativement avec Trackio, un traqueur d'expériences natif de Hugging Face, pour une gestion complète des expériences.
- 9Offre une conformité robuste avec les certifications SOC2 et ISO, et l'alignement HIPAA est disponible avec un accord de partenariat commercial (BAA).
use cases
Qui devrait utiliser ml-intern ?
ml-intern est conçu pour les professionnels et les chercheurs impliqués dans le développement et l'optimisation de modèles d'apprentissage automatique, en particulier ceux travaillant avec des grands modèles linguistiques. Ses capacités autonomes rationalisent les tâches complexes et chronophages, permettant aux utilisateurs d'accélérer les cycles de recherche et de déploiement.
- 1Ingénieurs IA : Automatisation des flux de travail post-entraînement LLM complexes, y compris le fine-tuning, l'évaluation et le débogage, pour améliorer les performances du modèle et l'efficacité du déploiement.
- 2Chercheurs en ML : Rationalisation du processus de recherche en examinant de manière autonome la littérature scientifique (arXiv, Hugging Face Papers), en découvrant des jeux de données et en améliorant itérativement les architectures de modèles.
- 3Scientifiques des données : Création, correction et exploration efficaces de jeux de données depuis le Hugging Face Hub, assurant la qualité et la préparation des données pour l'entraînement des modèles.
- 4Développeurs de logiciels : Intégration de capacités ML autonomes dans les applications, en tirant parti de ml-intern comme agent IA polyvalent pour les tâches d'ingénierie de l'apprentissage automatique.
- 5Personnes intéressées par les flux de travail ML autonomes : Exploration et déploiement de systèmes d'apprentissage automatique auto-améliorants sans intervention manuelle extensive dans la phase post-entraînement.
pricing
Tarification et plans de ml-intern
ml-intern fonctionne sur un modèle de noyau open-source, rendant l'agent lui-même librement disponible à l'utilisation. Cependant, son fonctionnement implique l'exploitation de divers services et infrastructures sous-jacents, ce qui peut entraîner des coûts associés. Hugging Face propose un modèle freemium pour l'accès à certaines ressources.
- 1Freemium : Gratuit (agent ml-intern open-source de base).
- 2Coûts de calcul : Des coûts basés sur l'utilisation s'appliquent pour le lancement de tâches d'entraînement via Hugging Face Jobs ou d'autres fournisseurs de calcul cloud.
- 3Clés API : Des clés API externes, telles qu'une `ANTHROPIC_API_KEY`, sont requises pour certaines fonctionnalités et peuvent entraîner des coûts de la part de fournisseurs tiers. Un token Hugging Face (`HF_TOKEN`) et un token d'accès personnel GitHub (`GITHUB_TOKEN`) sont également nécessaires.
- 4Ressources du Hugging Face Hub : Les utilisateurs peuvent "Rejoindre les ML Agent Explorers" pour obtenir un accès gratuit aux GPU, aux API d'inférence et aux ressources du Hub, indiquant un programme d'accès communautaire ou échelonné pour l'infrastructure.
competitors
ml-intern vs Concurrents
ml-intern est positionné comme un agent IA open-source qui automatise le flux de travail post-entraînement complexe et chronophage pour les grands modèles linguistiques. Son intégration avec l'écosystème Hugging Face et ses performances démontrées sur des benchmarks comme GPQA soulignent son avantage concurrentiel face aux agents de codage IA généraux et aux plateformes MLOps spécialisées.
1
Vellum AI↗
Vellum AI is an enterprise AI-first agent builder that enables teams to create and deploy production-ready agents and AI applications using natural language prompts, with integrated evaluations, versioning, and observability.
Like ml-intern, Vellum AI focuses on building and deploying AI agents, but it offers a more comprehensive, enterprise-grade platform with a visual builder and SDK for structured agent development and post-training management. It also operates on a freemium model, similar to ml-intern.
2
LangChain is an open-source framework that provides the engineering platform and tools for developers to build, test, and deploy reliable AI agents, emphasizing flexibility and a rich ecosystem.
LangChain serves as a foundational framework for constructing custom AI agents capable of automating various tasks, including post-training processes. Unlike a pre-packaged agent, LangChain offers developers the building blocks to create tailored automation agents, and its open-source nature aligns with ml-intern's freemium approach.
3
AutoGen specializes in creating collaborative multi-agent systems where different AI agents work together on complex tasks, facilitating automated ML pipeline steps, including data preparation, training, and evaluation.
While ml-intern might be a single agent for post-training automation, AutoGen provides a framework to orchestrate a 'team of agents' for more complex and distributed post-training workflows like automated A/B testing and multi-objective optimization. As a framework, its core usage is free.
4
ZenML↗
ZenML is a Python-first MLOps framework that unifies pipeline lineage, artifacts, and business context into a single model-centric framework, treating agentic AI tasks as versioned pipelines.
ZenML offers a comprehensive MLOps platform with a strong emphasis on automating the entire ML lifecycle through versioned pipelines, including post-training tasks, and provides a free, open-source Community Edition. It offers a broader MLOps suite compared to a potentially more focused 'AI agent' for post-training, but explicitly supports agentic AI tasks.
5
Weights & Biases is an end-to-end AI developer platform that provides tools like Weave for building and debugging AI agents, alongside robust experiment tracking, model management, and monitoring for the full ML and generative AI lifecycle.
W&B offers a comprehensive platform that includes specific tools for AI agent development and debugging (Weave), directly competing with the 'AI agent' aspect of ml-intern for post-training activities like monitoring and evaluation. Its freemium model is similar, but W&B provides a broader suite of MLOps and LLMOps tools.
❓
Questions fréquentes
+Qu'est-ce que ml-intern ?
ml-intern est un outil d'agent IA développé par Hugging Face qui permet aux ingénieurs IA, chercheurs en ML, scientifiques des données et développeurs de logiciels d'automatiser les flux de travail post-entraînement pour les modèles d'apprentissage automatique, en particulier les grands modèles linguistiques. Il agit comme un agent IA polyvalent pour l'ingénierie de l'apprentissage automatique, capable de lire des articles, de trouver des jeux de données, d'entraîner des modèles et d'itérer pour améliorer les performances.
+ml-intern est-il gratuit ?
L'agent ml-intern de base est open-source et gratuit à utiliser. Cependant, les utilisateurs peuvent encourir des coûts pour les ressources de calcul associées (par exemple, Hugging Face Jobs) et les clés API externes (par exemple, Anthropic API Key). Hugging Face offre un accès freemium aux GPU, aux API d'inférence et aux ressources du Hub pour les "ML Agent Explorers".
+Quelles sont les principales fonctionnalités de ml-intern ?
ml-intern automatise les flux de travail post-entraînement LLM de bout en bout, effectue des revues de littérature sur arXiv et Hugging Face Papers, découvre et prépare des jeux de données depuis le Hugging Face Hub, exécute et débogue les tâches d'entraînement ML, et réalise une évaluation itérative et un réentraînement pour l'amélioration des performances. Il est construit sur le framework smolagents et s'intègre à Trackio.
+Qui devrait utiliser ml-intern ?
ml-intern est idéal pour les ingénieurs IA, chercheurs en ML, scientifiques des données et développeurs de logiciels qui visent à automatiser et accélérer la phase post-entraînement du développement de modèles d'apprentissage automatique, en particulier pour les grands modèles linguistiques, en tirant parti d'un agent IA autonome.
+Comment ml-intern se compare-t-il aux alternatives ?
ml-intern est spécialisé dans le post-entraînement LLM autonome, le différenciant des ingénieurs logiciels IA généraux comme Devin by Cognition et OpenDevin. Il offre une alternative open-source aux plateformes MLOps comme Weights & Biases pour le suivi des expériences via Trackio, et a démontré des performances de référence supérieures par rapport à des agents comme Claude Code dans des tâches spécifiques de raisonnement scientifique.
Plus sur Stork
Outils IA connexes
Plus d'outils dans cette catégorie, classés par signal communautaire
Emergence World
🤖 AI Tools
Une expérience révolutionnaire simulant une ville numérique persistante où des agents IA autonomes opèrent continuellement pendant des semaines pour observer les dynamiques sociales émergentes et la « dérive logique » comportementale.
Scanémon
🤖 AI Tools
Une application mobile qui exploite l'appareil photo d'un téléphone pour identifier, évaluer et suivre instantanément la valeur en temps réel des collections de cartes Pokémon.
Cardstock
🤖 AI Tools
Une application mobile qui utilise l'appareil photo d'un téléphone pour identifier, évaluer et suivre instantanément la valeur en temps réel des collections de cartes de sport.
Skywork 3.0
🤖 AI Tools
Skywork 3.0 est une plateforme d'IA agentique qui fonctionne comme un espace de travail tout-en-un, exécutant de manière autonome des tâches complexes telles que la recherche approfondie, la création de documents, la conception de diapositives et la génération de vidéos pour produire des livrables professionnels finis.
S
SuperShrimp
🤖 AI Tools
Une application macOS qui utilise la webcam intégrée d'un ordinateur pour l'analyse de la posture en temps réel, notifiant instantanément les utilisateurs lorsqu'ils commencent à s'avachir.
Candy AI
🤖 AI Tools
Candy AI est une plateforme de compagnons IA pour créer et discuter avec des personnages virtuels personnalisables. Concevez la personnalité, l'apparence, la voix et l'histoire de fond d'un partenaire IA, puis tenez des conversations textuelles et imagées en temps réel. Freemium, avec un abonnement premium qui débloque la messagerie illimitée et la génération d'images IA.
For builders
This page is doing a job for someone else’s tool.
AI agents read it. Buyers find it. Backlinks accrue. Your tool can have one too — live in 24 hours, indexed by Claude, ChatGPT, and Perplexity, queryable via MCP.