AI Tool

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.

Visit ml-intern→

ml-intern - AI tool for intern. Professional illustration showing core functionality and features.

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.

𝕏 in ↑↗

</>Embed "Featured on Stork" Badge▼

HTML

<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>

Markdown

[![ml-intern - Featured on Stork.ai](https://www.stork.ai/api/badge/ml-intern?style=dark)](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.

1ml-intern vs Devin by Cognition : ml-intern est spécialisé dans l'automatisation du flux de travail post-entraînement pour les LLM, en se concentrant sur l'amélioration itérative des modèles, tandis que Devin offre une portée plus large en tant que premier ingénieur logiciel IA au monde, capable de planifier et d'exécuter de manière autonome diverses tâches d'ingénierie.
2ml-intern vs OpenDevin : ml-intern est un agent ML autonome pour le post-entraînement, construit sur le framework smolagents, tandis qu'OpenDevin est un agent de codage IA open-source visant à reproduire et étendre les capacités générales d'ingénierie logicielle IA, avec un accent plus large sur les tâches de codage.
3ml-intern vs Patronus AI : ml-intern fonctionne comme un agent autonome effectuant l'intégralité de la boucle de recherche ML, y compris l'évaluation et l'itération, tandis que Patronus AI fournit des environnements et des outils spécialisés pour le post-entraînement des LLM, en se concentrant sur l'évaluation, le feedback et les systèmes de récompense vérifiables pour guider l'amélioration des modèles.
4ml-intern vs Weights & Biases (W&B) : ml-intern s'intègre à Trackio, un traqueur d'expériences natif de Hugging Face, positionné comme une alternative open-source à W&B. W&B offre une plateforme MLOps plus large avec des outils complets pour le suivi des expériences, le versionnement des données/modèles, l'optimisation des hyperparamètres et la gestion des modèles, que ml-intern automatise grâce à son approche agentique.
5ml-intern vs Claude Code : ml-intern a démontré des performances supérieures sur le benchmark PostTrainBench, augmentant le score de raisonnement scientifique d'un modèle Qwen3-1.7B sur GPQA de 8,5% (base) à 32% en moins de 10 heures, surpassant les 22,99% de Claude Code sur la même tâche.

❓

Frequently Asked Questions

+Qu'est-ce que ml-intern ?

+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.