2025 年 10 月，Hugging Face 在 GitHub 上開了一個叫 ml-intern 的 repo。到今天，它有超過 1 萬顆星、逾千個 fork，昨天還有新的 commit 推上去。這個「實習生」從來不請假，也不要薪水。它的工作是：讀 arXiv 論文、寫訓練腳本、把模型推上 HF Hub——然後等下一個任務。
這個實習生能做什麼
不是 demo，是真的能跑任務。三個典型場景：
1. Fine-tune 一個 LLM
ml-intern "fine-tune llama on my dataset"
Agent 會自動搜尋 HF Hub 上的資料集、生成訓練腳本、在 GPU Sandbox 執行，完成後推上你的 HF repo。整個流程你只說了一句話。
2. 讀論文實作
ml-intern "implement the LoRA method from this paper: arxiv.org/abs/2106.09685"
它會從 arXiv 抓論文內容，提取核心演算法，寫出可執行的 Python 實作，附帶對照原文的說明。不需要你先讀懂那篇論文。
3. 建 HF Space Demo
ml-intern "create a Gradio demo for my sentiment classifier"
它存取你的 HF Hub 帳號，建立新的 Space，推上 Gradio app 程式碼，給你一個可以分享的 URL。
這些任務你只需要說一句話，Agent 自己把後面的工具呼叫、決策、除錯全部處理掉。
三個讓它不只是玩具的設計決策
HF 在這個 repo 裡做了幾個工程決策，值得記下來。
GPU Sandbox 按需建立
預設情況下，Agent 的工具跑在你的本機（bash、read、write、edit）。但加上 --sandbox-tools：
ml-intern --sandbox-tools "test this training script with GPU"
它會在 HF Space 建立一個私有的 GPU Sandbox，跑完之後自動銷毀。你不需要自己管 GPU 資源，也不需要開著一台 A100 等任務。
Doom Loop 偵測
Agent 有自我監控機制。如果它偵測到自己在重複呼叫同一個工具（例如一直 edit 同一個檔案但沒有進展），會中斷這個 loop，重新分析問題，換一條路走。
沒有這個機制，Agent 可能會在一個壞循環裡燒掉你所有的 token 預算。
Session 自動上傳 HF Dataset
每次對話結束，Session trace 會自動推到你的私有 HF Dataset（{hf-username}/ml-intern-sessions）。你可以用 HF Agent Trace Viewer 回溯每一個 tool call、每一段推理過程——這對除錯和理解 Agent 行為非常有用。
誰真的需要這個
三種人會從 ml-intern 拿到最多：
剛開始學 ML 的技術人 你懂寫程式，但對訓練流程還陌生。與其花一週搞定環境和依賴，不如先讓 ml-intern 跑一遍，看它怎麼生成腳本、怎麼選參數——把它當學習素材，而不只是工具。
想快速驗證想法的獨立開發者 你有一個應用場景需要分類器或生成模型，但沒有時間鑽研訓練細節。ml-intern "train a text classifier for customer support tickets" 給你一個可以測試的基準模型，再決定要不要深入。
需要讀論文跟上進展的工程師 每週有十幾篇 arXiv 論文你想看但沒時間看完。讓 ml-intern 幫你讀、幫你實作關鍵部分——你只需要看它的輸出，判斷這篇值不值得深讀。
10 分鐘裝好，跑第一個任務
git clone git@github.com:huggingface/ml-intern.git
cd ml-intern
uv sync
uv tool install -e .
在專案根目錄建一個 .env：
ANTHROPIC_API_KEY=your-key
HF_TOKEN=your-hf-token
然後直接跑：
ml-intern
互動模式啟動後，打 /model 可以換模型（支援 Claude、GPT、ollama、vllm、lm_studio、llamacpp），打 /share-traces public 讓別人看你的 Session trace。
想在本機跑 ollama/vllm 而不依賴雲端 API？至少需要 24GB VRAM——麗臺 RTX PRO 4000 Blackwell 跑 Llama 3 70B Q4 量化版剛好夠，是這條路的最低門檻選擇。
不想互動，直接下指令：
ml-intern "summarize the top 3 papers on RLHF from the last month"
HF 吃了自己的狗糧
HF 是做 ML 工具生態的公司。他們有 smolagents（agent 框架）、Hub（模型 / 資料集平台）、Spaces（部署環境）、Inference API（雲端推論）。
ml-intern 把這些全部串起來，而且是用 smolagents 本身驅動的。
最好的 framework benchmark 不是跑分，是自己拿它做真實產品。
這個 repo 的存在，本身就是 HF 在說：「我們的工具夠好，能讓一個 Agent 自主完成真實 ML 任務。」這比任何技術文件都有說服力。
要是你一直對 ML 感興趣但覺得門檻太高——現在有個不要薪水的實習生可以幫你探路。你的下一個 ML 實習生，會是 AI 嗎？