先看证据
缺的不是大模型，而是合适的模型
Hugging Face 作者 Yuvraj Sharma 在 HuggingChat 中使用 ML Intern，尝试解决一个具体的部署缺口：Qwen-Image 2.1 配套的提示词改写器是 9B 模型，作者称运行需要约 20 GB 内存，而他想要的是能在 CPU 上运行的小版本。他在 Hub 上找到的只有同一 9B 模型的压缩副本，于是让 ML Intern 帮忙做一个 0.8B 版本。作者报告，这个版本格式有效率为 99.7%，生成时使用的 token 约为教师模型的四分之一，整个项目计算费用约 16 美元。
这个案例中的“模型不存在”，说的是符合特定设备、成本和任务要求的模型暂时不存在，不是相关能力从未被开发过。区别很重要：这里的目标不是再造一个通用模型，而是把已有能力收窄、压小，放到原先不合适的运行环境里。作者随后几天又用同一工具做了五个模型项目，显示这类需求可能小到不值得单独组建训练工程，却足够具体，值得尝试定制。
代理接管流程，人仍要写清楚问题
ML Intern 承担的是一条执行工作流：根据用户的任务说明规划工作，运行数据和训练脚本，训练模型、评估结果，再将模型或演示发布到 Hugging Face。具体项目可以是微调、LoRA，也可以是蒸馏；代理并没有引入一种统一的新训练方法，而是把这些既有方法串进一个可委派的过程。用户要提供的不是一句“帮我做个模型”，而是数据集、底模、训练方案、评测方式和交付物等关键信息。
Sharma 的提示词逐渐从约 450 词扩展到接近 2,000 词。他把自己已核实的内容单列出来，要求先测底模基线，并在正式训练前跑一个带检查条件的小规模 smoke test。例如，图像 LoRA 先训练 50 步，再确认保存的权重确实发生变化。这样做不是提示词写得越长越好，而是把容易让代理猜错、或让付费作业白跑的决定提前显式化。
数字说明了什么，也没有说明什么
柑橘病害项目展示了这种工作流如何对应一个具体任务。作者把三个来源的数据合并成包含 3,017 张标注图像、覆盖 21 类病虫害、营养问题和处理方式的数据集，再用它微调 Qwen3.5-2B。按照文章报告，在 335 张测试照片上，底模正确识别问题的比例是 14.9%，训练两轮后的模型为 52.8%，一次 A10G 训练的计算费用约 1.90 美元。这里有价值的不只是提升幅度，还有训练前基线：没有它，52.8% 只是一个孤立数字，无法说明定制训练带来了多少变化。
但这不是模型已能可靠指导果园处置的证据。测试集规模有限，材料没有给出真实果园部署的表现，也没有展示不同地区、拍摄条件或病害分布变化时的结果。类似地，Pocket Rewriter 的 99.7% 指的是格式有效率，不是改写质量或图像生成效果。把“能按格式输出”“测试集得分提高”和“实际工作中可信”混为一谈，会把原型评估误读成产品验证。
低成本不等于没有代价
其他项目也说明，所谓“做一个模型”并非单一路线。作者用 84 张带说明的图像训练 Huggy 角色 LoRA，报告称到 200 步左右角色风格较稳定，但 500 步之后风格开始影响无关提示词。这不仅是训练效果的观察，也暴露出定制的边界：继续训练可能让目标特征更强，却让模型更容易把它带到不该出现的地方。模型是否更好，不能只看它是否更像目标角色，还要看它是否守得住使用范围。
Pocket Rewriter 则采取教师—学生式蒸馏：让 9B 教师处理 8,797 条请求，再筛选训练样例，最终得到 0.8B 学生模型。它和柑橘项目的监督微调、角色 LoRA 解决的是不同问题，因此低成本定制不是一种万能配方，而是按缺口选择方法。文章还称柑橘项目计算费约 1.90 美元、Huggy 约 7.60 美元、Pocket Rewriter 全项目约 16 美元；这些数字是计算成本，不包括整理数据、设计提示词、检查输出和判断是否可用所花的人力。
把预算和验收写进工作流
这套做法最值得技术负责人借鉴的，不是把训练交给代理本身，而是把授权和验收一起交代清楚。ML Intern 每个任务从零美元预算开始，付费作业需要用户授权；如果提示词给出预算上限，代理必须在超出前询问。Sharma 会在简报中写明总花费上限、模型卡应包含什么，以及超预算前必须征求同意。这些约束把成本控制从事后报账移到任务执行之前，但并不自动保证任务设计正确或结果可靠。
因此，它适合用来试做团队反复遇到、规模又不足以单独立项的模型缺口：先写清数据和底模，要求基线与小规模测试，限定预算，再把结果作为有评测记录的原型交给领域人员复核。若结果要进入生产环境，仍需补上材料中没有证明的部分，例如更广泛的测试、数据代表性审查和真实使用条件下的验收。代理可以压缩搭建训练管线的启动成本，却不能替团队承担“这个模型是否值得依赖”的责任。