Models
ML Intern - Sechs eigene Modelle für je unter 25 Dollar
Wenn das passende Modell fehlt
Yuvraj Sharma von Hugging Face wollte eine kleine Variante des Prompt-Rewriters, der mit Qwen-Image 2.1 ausgeliefert wird. Das Original: ein 9B-Modell, rund 20 GB Speicherbedarf, tausende Denk-Tokens pro Antwort. Statt weiter zu suchen, beschrieb er den Wunsch dem Agenten ML Intern in HuggingChat – am nächsten Tag lag ein 0,8B-Modell vor, das auf der CPU läuft, zu 99,7 % valide Ausgaben liefert und nur ein Viertel der Tokens braucht. Gesamtkosten inklusive Labeling von 8.797 Beispielen: 16 Dollar.
So arbeitet der Agent
ML Intern plant, fragt vor jeder Ausgabe nach Budget (Start immer bei 0 Dollar), fährt einen Smoke-Test und trainiert, evaluiert und veröffentlicht dann auf HF-Hardware. Sharmas Prompt-Tipps:
- Eine Sektion „Verified facts, do not re-derive“ spart Agenten-Budget
- Immer eine Baseline des Basismodells vor dem Training verlangen
- Smoke-Test mit Prüfung (z. B. 50 Schritte, haben sich die Gewichte geändert?)
- Harte Kostengrenze im Prompt
Die Ergebnisse
- Citrus-Doktor (Qwen3.5-2B): Trefferquote bei Pflanzenkrankheiten von 14,9 % auf 52,8 % – für 1,90 Dollar
- Huggy-LoRA für FLUX.2 klein: 7,60 Dollar
- Kamerawinkel-LoRA für Qwen-Image 2.1 aus 24.722 gerenderten Objektbildern: ca. 16 Dollar
- Doodle-in-LoRA: Kritzelei per Prompt durch Objekt ersetzen, 67,5 % Trefferquote
- Agate-Distillation: 260M-Bildmodell von 50 auf 4 Schritte, läuft im Browser
Alle Prompts liegen offen auf GitHub. Die Botschaft: Fine-Tuning und Distillation sind kein Großprojekt mehr, sondern ein gut geschriebener Auftrag.