veilletech.frCe qui se passe
Sur le blog de Hugging Face, un ingénieur raconte avoir produit six modèles en
quelques jours avec ML Intern, un mode de HuggingChat où un agent prépare
les données, entraîne, évalue et publie sur le Hub, sur le matériel de Hugging
Face. Coût de calcul total : environ 103 $. Chaque modèle est public, avec
son jeu de données et son évaluation dans la fiche de modèle ; les sept prompts
sont sur GitHub, dans yvrjsharma/ml-intern-prompts.
C'est un billet d'éditeur sur son propre produit : les scores sont ceux des fiches de modèle, sans évaluation indépendante.
Les six modèles
| Modèle | Base | Résultat annoncé | Calcul |
|---|---|---|---|
| Citrus Doctor | Qwen3.5-2B | 14,9 % → 52,8 % de bons diagnostics sur 335 photos | 1,90 $ |
| Huggy LoRA | FLUX.2 klein base 4B | personnage fidèle dès 200 pas, style qui déborde après 500 | 7,60 $ |
| Pocket Rewriter | Qwen3.5-0.8B et 2B | distillé d'un 9B, 99,7 % de sorties valides, GGUF de 812 Mo sur CPU | 16,05 $ |
| Viewpoint Orbit LoRA | Qwen-Image 2.1 | 23 consignes d'angle de caméra | 16 $ |
| Doodle-in LoRA | Qwen-Image 2.1 | 67,5 % d'objets placés au bon endroit | 24,30 $ |
| Agate 4 pas | Agate Preview 002 | GenEval 0,536 en 4 pas, contre 0,563 en 50 pour l'original | 37 $ |
Le premier a été entraîné deux epochs sur un seul A10G, à partir de 3 017 images annotées couvrant 21 ravageurs, maladies et carences.
Comment s'y prendre
Le premier message fait l'essentiel du travail : 450 mots au premier projet, près de 2 000 au sixième. Sa trame :
- L'idée en une ligne, et pourquoi on la veut.
- Les pièces exactes : jeu de données, modèle de base, script d'entraînement.
- Une rubrique « faits vérifiés, ne pas re-dériver », pour que l'agent ne dépense pas son budget à redécouvrir ce qu'on sait déjà.
- Le score du modèle de base sur la même métrique, avant tout entraînement. Sans lui, rien ne dit que le modèle obtenu fait mieux.
- Un essai court, contrôlé : 50 pas, puis vérifier que les poids sauvegardés ont réellement bougé, avant de payer le vrai calcul.
- Les livrables et un plafond de dépense. L'agent démarre avec un budget nul et demande l'accord avant toute tâche payante.
Les points 4 et 5 valent bien au-delà de ML Intern : c'est ce qui sépare un fine-tuning mesuré d'un fine-tuning espéré.
Ce que ça change
Le seuil d'entrée du fine-tuning léger s'effondre : un spécialiste de deux milliards de paramètres pour moins de 2 $, un modèle distillé qui tourne sur CPU pour 16 $. Le coût se déplace vers le cahier des charges et le jeu de données. Pour le Doodle-in, aucun jeu n'existait : l'agent a fabriqué 6 042 paires, en notant l'auteur et la licence de chaque photo source.
Les ratés font partie du budget : le LoRA d'angle de caméra a demandé 48 tâches, dont plusieurs relancées pour un paquet manquant ou un chemin erroné.
Source : The model that didn't exist, so you made it yourself, Hugging Face, 8 octobre 2026.