ML Intern

ML Intern — открытый агент от Hugging Face, который работает как ML-инженер-стажёр: умеет разбирать статьи и документацию, искать нужное в датасетах, писать код, обучать модели и доводить их до публикации. Запускается как CLI-инструмент в терминале, опирается на экосистему Hugging Face и облачные вычисления. Подойдёт тем, кто уже работает с машинным обучением и хочет отдать агенту рутину — от файнтюна до тестов обучающего скрипта на GPU.

Ставится через git clone и uv, после установки команда ml-intern доступна из любой директории. Нужны два токена: HF_TOKEN для инференса и действий на Hub, GITHUB_TOKEN для работы с репозиториями. Если токен Hugging Face не задан, при первом запуске CLI сам попросит его вставить — кроме случая, когда стартуешь на локальной модели.

Режимов работы два. Интерактивный — обычная чат-сессия, где ты обсуждаешь задачу и подтверждаешь действия. Headless — один промпт с автоодобрением, вроде ml-intern "fine-tune llama on my dataset". Есть флаги на ограничение числа итераций, отключение стриминга и смену модели. Внутри сессии команда /model покажет список доступных моделей: Claude, GPT, а также то, что отдаёт HF Router — MiniMax, Kimi, GLM, DeepSeek. Хостинговый инференс списывается с активного аккаунта Hugging Face.

Локальные модели тоже поддерживаются, но через OpenAI-совместимые HTTP-эндпоинты и LiteLLM. Веса с диска агент сам не грузит — сначала поднимаешь свой inference-сервер, потом выбираешь модель с нужным префиксом:

• ollama/ — например, ollama/llama3.1:8b
• vllm/ — vllm/meta-llama/Llama-3.1-8B-Instruct
• lm_studio/ — lm_studio/google/gemma-3-4b
• llamacpp/ — llamacpp/llama-3.1-8b-instruct

Адрес задаётся переменными LOCAL_LLM_BASE_URL и LOCAL_LLM_API_KEY, при этом настройки конкретного провайдера (OLLAMA_BASE_URL, VLLM_API_KEY и прочие) перебивают общие.

По умолчанию инструменты агента — bash, read, write, edit — работают прямо в твоей файловой системе. Это удобно, когда нужно, чтобы он смотрел и правил файлы в текущем чекауте. Флаг --sandbox-tools переключит его на песочницу: агент создаст приватный HF Space, протестирует код удалённо и при необходимости запросит GPU перед запуском больших HF Jobs. Для песочницы HF_TOKEN обязателен, даже если сама модель локальная. Режим можно сделать дефолтным через конфиг в ~/.config/ml-intern/cli_agent_config.json.

Каждая сессия автоматически выгружается в твой приватный датасет на Hugging Face в формате Claude Code JSONL — HF Agent Trace Viewer его распознаёт, так что реплики, вызовы инструментов и ответы модели можно листать прямо на Hub. Датасет называется {твой-ник}/ml-intern-sessions и создаётся закрытым. Командой /share-traces переключишь видимость на публичную и обратно, а параметр share_traces: false отключит выгрузку совсем.

Из уведомлений есть односторонний шлюз в Slack: бот с правом chat:write напишет в канал, когда агенту нужно одобрение, когда он упал с ошибкой или закончил ход. Отвечать ему в Slack нельзя — только получать статусы. Набор событий, канал и сам факт включения настраиваются переменными окружения или JSON-конфигом.

Проект открытый, лежит на GitHub под аккаунтом huggingface и распространяется по лицензии Apache-2.0; код разложен по папкам agent, backend, frontend, configs и tests, есть Dockerfile. Через конфиг можно подключить свои MCP-серверы. Если не хочется ставить CLI, у Hugging Face есть отдельный режим ML Intern в HuggingChat.