AREX Feed Article
Thomas Wolf 宣布 ML Intern 上线 HuggingChat：称训练模型应像 vibe-coding 一个应用一样简单
北京时间 2026 年 9 月 10 日凌晨 3:56（UTC 时间 9 月 9 日 19:56）， ：以一段对话为起点，替用户跑完一次模型训练的完整流程，最终在 Hugging Face Hub 留下一整套可分享的工件。帖文所附链接指向 。
Wolf 给出的理由是：“2026 年，为某个任务训练一个模型，应该像 vibe-coding 一个应用一样容易。”他写道，Hugging Face 生态里零件早已齐备：论文、数据集、预训练模型、基准、存储和算力，“缺的只是把它们组合起来、跑完整个流程的那个 agent”。按帖文说法，用户“只要提问”，ML Intern 代为处理工作、随时汇报进展，“流程、步骤与成本仍由你掌控”，整个过程“以一次对话开始，以 Hub 上全套可分享的工件结束”。ML Intern 的名字直译即“机器学习实习生”。以上描述均出自 Hugging Face 一方口径，实际能力与成效未经独立验证。
发帖之前：9 月 8 日已合入首页卡片，演示先行放出
Wolf 发帖不是这条消息的最早痕迹。驱动 HuggingChat 的开源代码库 chat-ui 的 显示，UTC 时间 9 月 8 日 15:10，一份“在 HuggingChat 首页放 ML Intern 上线卡片”的改动被合并：首页 logo 下方出现卡片，文案为“Have an ML idea? ML Intern plans and runs it for you. No PhD required.”（有个 ML 点子？ML Intern 帮你规划和执行，不需要博士学位），点击卡片即切换到 ML Intern 模式，输入框的占位文字和示例话题也随之换成该模式的内容；欢迎弹窗加上了“Now with ML Intern!”角标，首次开启模式时还会弹出引导窗，介绍所用的 MCP（Model Context Protocol，模型上下文协议）工具与“支出上限”（spending cap）设置。
当天下午，，并附演示视频；，这是 HuggingChat 的一个新功能，把聊天界面接到整个 HF 生态上。又过了一天多，Wolf 的帖子才出现。
怎么用：打开开关，把评测、微调与复现交给它
按 Victor Mustar 同一帖文的描述，ML Intern 在 HuggingChat 里是一个开关式的模式：打开后，可以请它做一个评测、造一个数据集、微调一个模型，或者复现一篇论文，“它会去做：调研，需要时在 HF Jobs（Hugging Face 的训练任务服务）上跑训练，也可以直接发布 Spaces”。
Wolf 描述的“掌控”有两层：agent 随时汇报进展，流程、步骤与成本的决定权留在用户手里。这条帖文与上述产品侧帖子都没有交代 ML Intern 调用哪些模型、如何计费，也没有给出一次典型任务的耗时与花费。
ML Intern 不是新名字：同名开源仓库已存在近一年
进入 HuggingChat 之前，同名开源项目已在 HF 生态里出现。 自述为“自主研究、编写并交付高质量机器学习代码的开源 ML 工程师，深度接入 HF 生态的文档、论文、数据集与云端算力”。仓库页面显示它创建于 2025 年 10 月 30 日，采用 Apache-2.0 许可，截至 9 月 10 日核对时拥有 10,661 star、1,149 fork，最近一次代码推送在 2026 年 7 月 16 日。
Wolf 的帖文没有提到这个仓库，链接只指向 HuggingChat，也没有说明 HuggingChat 里的功能与仓库代码的关系。可以确认的只有：两者同名，描述都围绕“在 HF 生态内完成机器学习流程”。
首批追问集中在评测与可复现性
Wolf 帖子的评论区里，第一批具体追问都指向同一个环节：怎么判断流程真的有效。问“评测回路长什么样——把同一个任务写进提示词，对比训练前后的模型？”；：“难点不是让演示跑起来，而是让 agent 交代自己的假设、留下可复现的工件，并在缺数据源或缺工具时响亮地失败。Vibe-coding 一直很便宜，直到没人能解释输出为什么变了。”中文用户 VastPlan（@yandt888）则回复称，零件早已齐备，“难的是数据与评测怎么定，不是再抄一张配方”。
截至核对时，Wolf 这条帖文只附了一段演示视频和一个 HuggingChat 链接，没有给出基准数字，也没有说明评测方式。把“训练一个模型”压缩成一句对话之后，如何证明它真的训练出了可用的模型，这条消息还没有回答。