AREX Feed Article
Hugging Face 开源 ML Intern 上线 Slack bot 版：官方称可在工作区内即时评估模型、建数据集并微调
北京时间 11 月 6 日凌晨 3 点 50 分（UTC 时间 11 月 5 日 19 点 50 分），Hugging Face 官方 X 账号：开源工具 ML Intern 现已推出 Slack bot 版本，可安装进用户自己的工作区，官方称它能即时评估模型、构建数据集并微调模型。截至发稿，这条帖子获得约 1.28 万次浏览、93 个点赞、14 次转发和 29 条回复。
安装与使用方式由 给出：安装入口是 huggingface.co/chat/slack/install。装好之后，「能不能帮我微调一下这个模型」这类请求就可以直接在团队日常对话里交给它。
（题图：KDnuggets 文章「Getting started with Hugging Face ML Intern」，）
在 Slack 线程里 @ML Intern，跑的是 HuggingChat 同一套代理
官方文档描述的工作方式是：在任意线程里 @ML Intern，或给它发私信，它会读取该线程的上下文并接下任务；它会以使用者本人的 Hugging Face 账号，运行与 HuggingChat 相同的代理。文档给出的示例指令是：「@ML Intern 把我上面链接的模型做成一个 Gradio Space」。每个线程都是一个独立会话，拥有自己的对话记录、文件和算力预算；私信则是私密会话。机器人最多读取线程内的 200 条消息，单次请求可附带最多 10 个文件（单个 10 MB，合计 25 MB），比如一张要读取的图片或一份要处理的 CSV。
接活与交活都有明确信号：接到请求时，它会在请求消息上加上 👀 表情，完成时换成 ✅。每个请求在线程里生成一张状态卡，显示它是在工作、在等确认还是已完成，以及耗时和相对预算的算力消耗。卡片上的按钮可以停止运行、重试失败请求、把完整对话导出为 JSONL 文件（私信发送），或跳转到 HuggingChat 查看会话——在那里会话是只读的，后续工作仍在 Slack 里进行。任务运行中还可以用「/btw」问一个不打断任务的小问题，比如「@ML Intern /btw 现在跑的是哪个 job」，这个侧问不会被正在运行的任务看到。
按 ，ML Intern 是 HuggingChat 里的一种模式，官方列出的典型任务包括：小规模复现一篇论文、微调一个模型并评估 checkpoint（训练存档）、生成或整理数据集并推送到 Hub、给模型搭一个 Gradio demo 并部署为 Space，以及把模型放到某个基准数据集上评分。
每人连自己的账号，预算从 0 美元起步
官方文档把计费原则写成一句话：「费用由你承担」——推理与算力都计入使用者自己的 Hugging Face 账号，按其在 HuggingChat 里的账单设置结算，可以记到所属组织头上；ML Intern 默认把仓库和 Space 发布到使用者的用户名下。每个用户第一次 @ 机器人时，会收到一个仅本人可见的「Connect Hugging Face」连接链接，十分钟内有效，确认后才能开始任务。
花钱的闸门在预算上：每个线程的算力预算从 0 美元起步，ML Intern 在获批之前无法启动任何 Jobs 或沙箱；需要算力时，它会先报出金额请求批准。预算只覆盖 Jobs 和沙箱，与模型的对话按 Inference Providers 用量单独计费。每次启动先按「硬件单价 × 任务超时」预留最坏成本，跑完再按实际用量结算；另有两道硬顶：账号积分余额耗尽时 Jobs 会停止，组织也可以对资源组设置支出上限。使用者还可以在连接时勾选，把自己在 HuggingChat 里启用的 MCP（Model Context Protocol，模型上下文协议）服务器带进 Slack 会话——代价是工具的返回结果可能直接贴进线程，频道里所有人都能看到。
可见性也有明确边界：频道里的所有人都能读到 ML Intern 的回复，包括通过 Slack Connect 加入的外部组织成员，文档因此提醒在频道里询问私有仓库或数据时要留意这一点；访客（guests）账号和其他 bot 则无法使用它。
代码跟着 Chat UI 开源，公司可以自建一份
推文里「开源」的落点在 Chat UI：这个 Slack bot 是 的一部分，而 Chat UI 是 HuggingChat 背后的开源应用。按官方集成指南，企业可以在自己的 Chat UI 部署里运行这个 bot：它运行在 Chat UI 服务器内部，通过 Socket Mode 连接 Slack，不需要公网回调地址；指南说明其线程/会话与 Socket Mode 设计参考了 Hugging Face 此前介绍的 Slack 编码代理 Moon Bot。
自建部署有两种账户模式。user 模式下，每个使用者连接自己的 Hugging Face 账号，会话出现在各自的 HuggingChat 历史里，并且支持来自任意工作区的安装；默认的 shared token 模式则由整个公司共用一个 Hugging Face token，统一指定发布命名空间和结算组织，适合给单个公司工作区专用的部署。shared token 模式的部署可以放在一个私有 Docker Space 上，状态备份到私有 bucket；指南写明的并发上限是单个 worker 同时最多处理 8 个请求，每个工作区最多 4 个。
从 4 月的命令行代理到今天的 Slack 入口
按上海纽约大学 RITS 网站的，ML Intern 最初于 2026 年 4 月 21 日发布，是一个开源的自主代理，目标是一次跑完大模型后训练（post-training）的完整闭环：查文献、找数据集、写训练脚本、启动运行、评估结果、迭代改进。它基于 Hugging Face 自家的 smolagents 框架构建，用 HF Jobs 启动算力、用 Trackio 记录实验，涉及付费任务或破坏性命令的操作都会停下来等用户批准。发布不到一周，仓库就收获了 6.8k stars。
Hugging Face 在发布时公布的测试结果是：ML Intern 在单块 H100 上运行 9 小时 55 分，把 Qwen3-1.7B 在 GPQA 科学推理基准上的成绩从 10.0% 的基线拉到 32.4%（最终评估），过程中最好的开发集评估达到 39.0%，而 Claude Code 在同一任务上的成绩是 22.99%。KDnuggets 7 月的也引述了这组「约 10% 到约 32%」的结果。 文章中的运行曲线完整记录了这次运行里的 24 次评估和 6 次研究调用。
路线变化发生在 9 月底：2026 年 9 月 29 日，独立的 huggingface/ml-intern 、转为只读，仓库说明写着「ML Intern 已不再维护，请继续使用 HuggingChat」——代码随后并入 Chat UI。到 10 月 8 日，一位社区作者在 上记录了在 HuggingChat 里用 ML Intern 完成的六个模型项目：从微调一个柑橘病害识别模型（335 张测试照片上的准确率从 14.9% 提到 52.8%，算力费约 1.90 美元），到蒸馏出一个能在 CPU 上运行的 0.8B 小模型，六个项目总计花费约 103 美元算力费。
宣布 Slack bot 的前一天，Niels Rogge 发帖称 Hugging Face 已经用 ML Intern 复现了一篇论文，，截至发稿获得 1,633 个点赞和约 9.2 万次浏览。
谁能批准一次微调、成本封顶在哪：公布后的第一波追问
回复区的追问集中在权限与成本。软件工程师 指向可复现性：「如果微调配置只存在于一个 Slack 线程里，三个月后要复现那次运行，就意味着在聊天记录里翻超参数。」状态卡上的「Download trace」按钮是文档给出的部分答案：完整对话可以随时导出为 JSONL 文件。
在广州做独立开发的 把问题抛给管理员一侧：「Slack 安装意味着工作区级的 OAuth 授权范围和数据驻留问题落到管理员头上，而不是模型头上。即时微调也需要每个频道一个硬性的 token/成本上限。」目前的机制是按线程计预算，而不是按频道；集成指南还提醒自建部署：只有在频道里所有人都可能花掉这笔钱时，才把 shared token 模式的默认预算调成非零。
也有针对权限边界的直接提问。用户 问：「工作区里谁能触发一次微调，任何能 @ 到它的人都行吗？」文档的回答是否定的——只有线程发起者能对会话下单、回答提问、批准预算、停止或重试运行、下载 trace，其他人的消息和文件根本不会到达代理；要让它替同事干活，对方得开自己的线程。
正面评价同样具体。创业者 写道：「把 ML Intern 放进 Slack，才是它真正会被用到的地方。我见过的大多数团队，至今仍有没人打开的 AI 席位。」云工程师 对照文档确认了那个默认设计：「按文档，每个 Slack 线程都以 0 美元算力预算起步，ML Intern 在你批准之前无法启动任何 Jobs。好默认。」
提出的问题则是文档没有给出组织层面答案的那一个：「把模型评估和微调放进工作已经发生的 Slack，这个想法很聪明。难点依然是谁来批准一次动用生产数据的微调。」还有一个更直接的边界：只允许 Slack Marketplace 应用的企业工作区，眼下装不上这个 bot——集成指南写明，Slack Marketplace 不接受 Socket Mode 应用；在 Enterprise Grid 上，也只能逐个工作区安装。