AI Tool

Revisão do ml-intern

ml-intern é o agente de IA da Hugging Face projetado para automatizar todo o fluxo de trabalho pós-treinamento para modelos de machine learning, particularmente large language models.

Visit ml-intern→

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

1Lançado pela Hugging Face por volta de 21-22 de abril de 2026, construído sobre o framework smolagents.

2Alcançou uma melhoria de +60% no HealthBench e aumentou a pontuação GPQA de um modelo Qwen3-1.7B de 8,5% para 32% em menos de 10 horas.

3Oferece certificações SOC2 e ISO, com alinhamento HIPAA disponível via um Business Associate Agreement (BAA).

4Automatiza a literature review, dataset discovery, training script execution e iterative evaluation para LLMs.

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

O que é o ml-intern?

ml-intern é uma ferramenta de AI agent desenvolvida pela Hugging Face que permite a AI Engineers, ML Researchers, Data Scientists e Software Developers automatizar fluxos de trabalho pós-treinamento para modelos de machine learning, particularmente large language models. Atua como um AI agent de propósito geral para engenharia de machine learning, capaz de ler artigos, encontrar datasets, treinar modelos e iterar para melhorar o desempenho.

quick facts

Fatos Rápidos

Atributo	Valor
Desenvolvedor	Hugging Face
Modelo de Negócio	Open Source core, Freemium para serviços/computação associados
Preço	O core open-source é gratuito; custos de compute associados aplicam-se para Hugging Face Jobs. Acesso Freemium a GPUs, inference APIs e recursos do Hub para "ML Agent Explorers."
Plataformas	Web (Hugging Face Spaces), API
API Disponível	Sim (via modelos e serviços subjacentes)
Integrações	Hugging Face Hub, Hugging Face Papers, arXiv, Trackio, Anthropic API
Fundado	Hugging Face (2016), ml-intern lançado (abril de 2026)
Sede	New York, NY, USA

features

Principais Recursos do ml-intern

ml-intern oferece um conjunto abrangente de capacidades projetadas para gerenciar e otimizar autonomamente a fase de pós-treinamento do desenvolvimento de modelos de machine learning, particularmente para large language models. Sua arquitetura, construída sobre o smolagents framework, enfatiza a geração e execução de Python code para ações do agente, levando a uma automação de fluxo de trabalho eficiente e eficaz.

1Automatiza fluxos de trabalho pós-treinamento de ponta a ponta para large language models (LLMs).
2Realiza literature reviews autônomas navegando no arXiv e Hugging Face Papers, lendo seções de metodologia e percorrendo grafos de citação.
3Descobre, inspeciona e reformata datasets do Hugging Face Hub para treinamento.
4Executa e depura ML training jobs, incluindo o lançamento via Hugging Face Jobs quando a computação local não está disponível.
5Realiza iterative evaluation de saídas de modelo e retreinamento para alcançar melhorias de desempenho de benchmark.
6Diagnostica falhas de treinamento, como reward collapse em pipelines de Reinforcement Learning from Human Feedback (RLHF).
7Construído sobre o smolagents framework, que utiliza instâncias "CodeAgent" para escrever ações como snippets de Python code.
8Integra-se nativamente com Trackio, um experiment tracker nativo da Hugging Face, para gerenciamento abrangente de experimentos.
9Oferece conformidade robusta com certificações SOC2 e ISO, e o alinhamento HIPAA está disponível com um Business Associate Agreement (BAA).

use cases

Quem Deve Usar o ml-intern?

ml-intern é projetado para profissionais e pesquisadores envolvidos no desenvolvimento e otimização de modelos de machine learning, especialmente aqueles que trabalham com large language models. Suas capacidades autônomas simplificam tarefas complexas e demoradas, permitindo que os usuários acelerem os ciclos de pesquisa e implantação.

1AI Engineers: Automatizando fluxos de trabalho complexos de pós-treinamento de LLM, incluindo fine-tuning, evaluation e debugging, para melhorar o desempenho do modelo e a eficiência da implantação.
2ML Researchers: Otimizando o processo de pesquisa através da revisão autônoma de scientific literature (arXiv, Hugging Face Papers), descoberta de datasets e melhoria iterativa de arquiteturas de modelo.
3Data Scientists: Criando, corrigindo e explorando eficientemente datasets do Hugging Face Hub, garantindo a qualidade e prontidão dos dados para o treinamento do modelo.
4Software Developers: Integrando capacidades autônomas de ML em aplicações, aproveitando o ml-intern como um AI agent de propósito geral para tarefas de machine learning engineering.
5Indivíduos interessados em fluxos de trabalho autônomos de ML: Explorando e implantando sistemas de machine learning auto-aprimoráveis sem intervenção manual extensiva na fase de pós-treinamento.

pricing

Preços e Planos do ml-intern

ml-intern opera em um modelo open-source core, tornando o agente em si livremente disponível para uso. No entanto, sua operação envolve o aproveitamento de vários serviços e infraestruturas subjacentes, o que pode incorrer em custos associados. A Hugging Face oferece um modelo freemium para acesso a certos recursos.

1Freemium: Gratuito (agente ml-intern open-source core).
2Custos de Compute: Custos baseados no uso aplicam-se para o lançamento de training jobs via Hugging Face Jobs ou outros provedores de cloud compute.
3API Keys: API keys externas, como uma `ANTHROPIC_API_KEY`, são necessárias para certas funcionalidades e podem incorrer em custos de provedores terceiros. Um Hugging Face token (`HF_TOKEN`) e um GitHub personal access token (`GITHUB_TOKEN`) também são necessários.
4Recursos do Hugging Face Hub: Os usuários podem "Join ML Agent Explorers" para obter acesso gratuito a GPUs, inference APIs e recursos do Hub, indicando um programa de acesso baseado na comunidade ou em níveis para infraestrutura.

competitors

ml-intern vs Concorrentes

ml-intern é posicionado como um AI agent open-source que automatiza o complexo e demorado fluxo de trabalho pós-treinamento para large language models. Sua integração com o ecossistema Hugging Face e seu desempenho demonstrado em benchmarks como GPQA destacam sua vantagem competitiva contra AI coding agents gerais e plataformas MLOps especializadas.

1ml-intern vs Devin by Cognition: ml-intern especializa-se em automatizar o fluxo de trabalho pós-treinamento para LLMs, focando na melhoria iterativa do modelo, enquanto Devin oferece um escopo mais amplo como o primeiro AI software engineer do mundo, capaz de planejar e executar autonomamente diversas tarefas de engenharia.
2ml-intern vs OpenDevin: ml-intern é um ML agent autônomo para pós-treinamento, construído sobre o smolagents framework, enquanto OpenDevin é um AI coding agent open-source que visa replicar e estender as capacidades gerais de AI software engineering, com um foco mais amplo em tarefas de codificação.
3ml-intern vs Patronus AI: ml-intern funciona como um agente autônomo que executa todo o ciclo de pesquisa de ML, incluindo evaluation e iteration, enquanto Patronus AI fornece ambientes e ferramentas especializadas para LLM post-training, focando em evaluation, feedback e sistemas de recompensa verificáveis para guiar a melhoria do modelo.
4ml-intern vs Weights & Biases (W&B): ml-intern integra-se com Trackio, um experiment tracker nativo da Hugging Face, posicionado como uma alternativa open-source ao W&B. W&B oferece uma plataforma MLOps mais ampla com ferramentas abrangentes para experiment tracking, data/model versioning, hyperparameter optimization e model management, que o ml-intern automatiza através de sua abordagem agêntica.
5ml-intern vs Claude Code: ml-intern demonstrou desempenho superior no benchmark PostTrainBench, aumentando a pontuação de scientific reasoning de um modelo Qwen3-1.7B no GPQA de 8,5% (baseline) para 32% em menos de 10 horas, superando os 22,99% do Claude Code na mesma tarefa.

❓

Frequently Asked Questions

+O que é o ml-intern?

+O ml-intern é gratuito?

O agente ml-intern core é open-source e gratuito para usar. No entanto, os usuários podem incorrer em custos por recursos de compute associados (por exemplo, Hugging Face Jobs) e API keys externas (por exemplo, Anthropic API Key). A Hugging Face oferece acesso freemium a GPUs, inference APIs e recursos do Hub para "ML Agent Explorers."

+Quais são as principais características do ml-intern?

ml-intern automatiza fluxos de trabalho pós-treinamento de LLM de ponta a ponta, realiza literature reviews no arXiv e Hugging Face Papers, descobre e prepara datasets do Hugging Face Hub, executa e depura ML training jobs, e realiza iterative evaluation e retreinamento para melhoria de desempenho. É construído sobre o smolagents framework e integra-se com Trackio.

+Quem deve usar o ml-intern?

ml-intern é ideal para AI Engineers, ML Researchers, Data Scientists e Software Developers que visam automatizar e acelerar a fase de pós-treinamento do desenvolvimento de modelos de machine learning, particularmente para large language models, aproveitando um AI agent autônomo.

+Como o ml-intern se compara a alternativas?

ml-intern especializa-se em LLM post-training autônomo, diferenciando-o de AI software engineers gerais como Devin by Cognition e OpenDevin. Oferece uma alternativa open-source a plataformas MLOps como Weights & Biases para experiment tracking via Trackio, e demonstrou desempenho de benchmark superior contra agentes como Claude Code em tarefas específicas de scientific reasoning.