作者：苏晚自己动手做模型：ML Intern 低成本定制小模型实战
Hugging Face 工程师通过 ML Intern 代理，用不到 20 美元训练出六个定制模型。本文拆解可复用的提示词结构——已验证事实、基线评测、烟雾测试、预算闸门，以及柑橘病害识别、Huggy 角色生成、相机角度 LoRA 三大案例的数据规模与算力成本，为国内团队提供低成本模型定制的工程指南。
本文基于 Hugging Face Blog 的「The model that didn't exist, so you made it yourself」，作者在一周内用 ML Intern 代理完成了六个定制模型的训练与发布，单个项目成本低至 1.90 美元。
核心方法：可复用的提示词结构
作者将七次项目的提示词完整开源在 GitHub（yvrjsharma/ml-intern-prompts），每条提示词长度从最初的 450 词增长到 2000 词。结构包含四个关键部分：
1. 已验证事实（Verified facts, do not re-derive）
明确告诉代理哪些信息已核实，避免浪费预算重复调研。例如在相机角度 LoRA 项目中，作者直接列出：
- 哪个训练器刚加入透明图像支持
- 哪些 GitHub issue 使得备用训练器存在风险
这一段的作用是把调查成本前置到人工环节，让代理把预算花在执行上。
2. 基线评测（Baseline before training）
提示词中有一句关键要求：
"Also report the base model's zero-shot score on the same metric before training so we can see the gain."
没有基线就无法判断训练是否真的有效。这是工程纪律，不是可选项。
3. 烟雾测试（Smoke test with check）
在全量训练前先跑 50 步，然后检查保存的权重是否真的改变了。
这一步拦住两类问题：
- 训练脚本写错了，参数根本没更新
- 环境配置有问题，checkpoint 是空的
作者在柑橘病害模型项目中就是靠这个发现了路径配置错误，避免了浪费完整训练的算力。
4. 预算闸门（Budget cap and approval）
每条提示词末尾都有明确上限：
"Cap total spend at USD 12 and ask me before exceeding it."
ML Intern 的机制是默认零预算，每次付费任务都需要人工批准。不设上限时代理会给出几种方案让你选，设了上限则严格执行。
三大案例：数据规模与成本实录
案例 1：柑橘病害识别模型
需求：通用视觉模型能描述发黄的柑橘叶子，但判断不出是螨虫问题还是镁缺乏，更给不出生物/非生物防治方案。
数据：
- 来源：Project-AgML 组织托管的三个数据集合并
- 规模：3,017 张标注图片，覆盖 21 种病虫害、营养缺陷与治疗方法
- 测试集：335 张照片
训练：
- 基础模型：Qwen3.5-2B
- 硬件：1 张 A10G
- 训练轮次：2 epochs
- 成本：约 1.90 美元
结果：
- 基线准确率：14.9%（基础模型零样本）
- 微调后准确率：52.8%
- 提升 3.5 倍
作者还发布了配套应用 Citrus Doctor App，可以直接上传叶片照片获得诊断。
案例 2：Huggy 角色生成 LoRA
需求：图像模型认识很多角色，但不认识 Hugging Face 品牌资产中扁平风格的 Huggy。
数据：
- 来源：Chunte/huggy_for_training 数据集
- 规模：84 张带标注的 Huggy 绘画
- 基础模型：FLUX.2 klein base 4B
训练策略：
- 每 100 步保存一个 checkpoint
- 用同一组提示词测试每个 checkpoint
- 通过对比选出最佳版本
观察：
- 200 步：Huggy 首次完全符合模型
想了解 AI 如何助力您的企业？
免费获取企业 AI 成熟度诊断报告，发现转型机会
