HuggingFace 本周开源了 ml-intern（github.com/huggingface/ml-intern），一个能自主阅读论文、设计实验、训练模型并将结果发布到 HuggingFace Hub 的开源 ML 工程师。该项目上线不到一周已获得 7300+ 星标，本周新增超过 6400 星，成为 GitHub Trending 本周最热门的 AI 项目之一。
它能做什么
ml-intern 的核心工作流覆盖了 ML 研究的完整链路：
- 读论文：自动抓取和解析 arXiv 等平台的最新论文，提取关键方法、架构和实验设置
- 设计实验：基于论文内容自动生成训练配置，包括数据集选择、超参数设定和评估指标
- 训练模型：在配置的算力环境中执行训练任务，支持 GPU 集群调度
- 发布模型：训练完成后自动打包并推送到 HuggingFace Hub，附带模型卡和基准结果
项目架构包含 agent（智能体核心）、backend（后端调度）、frontend（Web 界面）和 configs（实验配置）四大模块，拥有 408 次提交和活跃的 PR 流水线（41 个开放 PR），说明项目正处于快速迭代期。
与同类方案对比
| 维度 | ml-intern | AutoGluon | AutoML 传统方案 |
|---|---|---|---|
| 研究范围 | 论文驱动，覆盖最新方法 | 预设算法库 | 固定搜索空间 |
| 实验设计 | Agent 自主设计 | 超参优化为主 | 网格/随机搜索 |
| 发布能力 | 自动推送到 Hub | 手动导出 | 手动部署 |
| 适用场景 | 前沿研究复现与改进 | 表格数据 AutoML | 标准化任务 |
| 开源协议 | Apache 2.0 | Apache 2.0 | 各异 |
与 AutoGluon 等传统 AutoML 方案不同，ml-intern 的核心差异在于研究驱动而非调参驱动。它不是在预设的算法空间里找最优超参，而是从论文中学习方法论并自主设计实验——这更接近人类 ML 工程师的工作方式。
快速上手
# 克隆项目
git clone https://github.com/huggingface/ml-intern.git
cd ml-intern
# 安装依赖
pip install -r requirements.txt
# 启动 agent（需要 HuggingFace API token）
export HF_TOKEN=your_token_here
python -m agent.main --task "reproduce paper: attention is all you need"项目支持通过 Web 界面监控实验进度、查看训练日志和评估结果。需要 GPU 环境来执行训练任务，本地 CPU 仅适合测试流程。
值得关注的问题
项目目前处于早期阶段，有 17 个开放 Issue 和 41 个 PR，部分功能仍在快速变化中。特别是实验设计的可靠性和论文理解能力，需要更多社区实测来验证。对于严肃的研究复现，建议在沙箱环境中先跑通小任务，再扩展到完整实验。