Hugging FaceのML-internでモデルを自作、手順と計算コストを公開

ML-internとは何か

著者はHuggingChatの「ML-intern」モードを有効にしてメッセージを送るだけで、数日のうちに複数のモデルを作ったと報告しています。各プロジェクトはチャットのメッセージとして始まり、評価結果をモデルカードに記載した公開モデルとしてHubに登録されて終わります。ML-internは作業を計画し、費用を使う前に予算を確認し、本番の前に小さなテストを実行したうえで、Hugging Faceのハードウェア上で学習・評価・公開までを担います。

記事では6つの取り組みが紹介されています。プロンプトはGitHubの「yvrjsharma/ml-intern-prompts」で公開されており、最初のプロンプトは約450語、6番目のプロジェクトでは約2,000語に増えたといいます。著者は、各プロジェクトを通じて次に欲しい要素を学んだ結果だと説明しています。

プロンプトに書くこと

プロンプトは1行のアイデアとその理由から始まり、データセット、ベースモデル、学習スクリプトといった具体的な要素を指定します。すでに確認済みの情報は「Verified facts, do not re-derive」という見出しの下にまとめ、エージェントが既知のことを調べ直すために予算を使わないようにします。カメラアングルLoRAの例では、透過画像に対応したトレーナーや、代替トレーナーが危険である理由となる未解決のGitHub Issueをこのセクションに書いたとしています。

著者が特に重要とする指示が2つあります。1つは学習前のベースライン計測で、柑橘類のプロンプトでは「学習前に同じ指標でベースモデルのゼロショットスコアを報告し、改善幅が分かるように」と指定しています。もう1つはチェック付きのスモークテストです。画像LoRAでは50ステップ学習した後に、保存された重みが実際に変化したかを確認してから本番の学習に進みます。

プロンプトの最後には成果物と費用の上限を書きます。「Cap total spend at USD 12 and ask me before exceeding it.」のような指示です。ML-internは予算0ドルから始まり、有料ジョブの前に許可を求める設計のため、上限は厳密に守られると著者は述べています。上限を書かなかった場合は、規模に応じた複数の進め方を提示して選ばせるとしています。

作られたモデルの例

柑橘類の病害診断モデル「citrus-disease-vlm-instruct」は、3,017枚・21種類の病害や栄養不足、治療法を含むデータセットでQwen3.5-2Bを微調整したものです。335枚のテスト写真で、ベースモデルが正しい問題を答えられた割合は14.9%でしたが、A10G 1台で2エポック学習した後は52.8%になりました。計算コストは約1.90米ドルです。

画像系では、FLUX.2 klein base 4BにHuggyを学習させたLoRA（約7.60米ドル）、Qwen-Image 2.1向けのカメラアングルLoRA（約16米ドル）、落書きを物体に置き換えるDoodle-in LoRA（約24米ドル）が作られています。小型化の例としては、0.8Bと2Bの「Pocket Rewriter」（約16米ドル）と、Logolabsの「Agate Preview 002」を4ステップに蒸留したモデル（2回の実行で合計約37米ドル）が挙げられています。

現時点で分かっていないこと

記事で紹介されているのは著者1人の事例であり、同じプロンプトとデータで誰もが同じ結果を得られるかは示されていません。モデルの評価は各モデルカードに記録されているとされていますが、本記事ですべての指標が網羅されているわけではありません。学習が常に一発で成功するわけでもなく、カメラアングルLoRAのプロジェクトでは、パッケージ不足やパスの誤りで失敗したジョブをML-internが再投入したと書かれています。

費用はセッションごとに報告されたGPUとCPUのジョブ課金であり、プロンプトを書く人的な時間は含まれていないとみられます。ML-internの提供地域や料金体系、内部で使われるモデルについては記事に記載がありません。日本から利用できるか、社内データを外部エージェントに渡す際にどのような統制が必要かは、別途確認が必要です。