Hugging Face ukazuje agenta, ktorý z briefu vytrénuje a zverejní model na mieru

Hugging Face predstavil praktické experimenty s agentom ML Intern, ktorý dokáže z textového zadania pripraviť dáta, spustiť tréning, vyhodnotiť výsledok a zverejniť model na platforme Hub. Nejde pritom iba o ukážku automatického volania existujúcich nástrojov. Agent má naplánovať celý pracovný postup, vyžiadať si povolenie na platené výpočty, najskôr uskutočniť malý skúšobný beh a až potom pokračovať v plnom tréningu. Autor experimentu Yuvraj Sharma týmto spôsobom v priebehu niekoľkých dní vytvoril šesť rôznych špecializovaných modelov a siedmy beh použil na ďalšie zdokonalenie jedného z nich.

Najvýraznejším príkladom je zmenšenie prepisovača promptov pre Qwen-Image 2.1. Pôvodný model má podľa zverejneného opisu deväť miliárd parametrov, potrebuje približne 20 GB pamäte a pred zostavením výsledného promptu generuje tisíce interných tokenov. Agent pripravil 0,8-miliardovú verziu, ktorú možno prevádzkovať na CPU. Hugging Face uvádza 99,7-percentnú úspešnosť pri tvorbe syntakticky platného výstupu a približne štvrtinovú spotrebu tokenov oproti učiteľskému modelu. Celý pokus vrátane označenia 8 797 požiadaviek väčším modelom mal stáť 16 dolárov. Tieto čísla pochádzajú od autorov projektu a zatiaľ nejde o nezávislý benchmark.

Od všeobecného modelu k úzkej špecializácii

Ďalší experiment sa zameral na diagnostiku chorôb, škodcov a nedostatku živín na citrusoch. Odvodený dataset spája tri verejné kolekcie a obsahuje 3 017 tréningových obrázkov, 335 testovacích obrázkov a 21 výsledných tried. Základný multimodálny model Qwen3.5-2B podľa zverejnenej evaluácie správne pomenoval problém na 14,9 percenta testovacích fotografií. Po dvoch epochách dolaďovania na jednom GPU Nvidia A10G dosiahla špecializovaná verzia 52,8 percenta. Samotný tréning mal stáť približne 1,90 dolára.

Výsledok je zaujímavý najmä preto, že ukazuje rozdiel medzi všeobecnou vizuálnou schopnosťou a znalosťou konkrétnej domény. Model môže rozpoznať, že na fotografii je poškodený list, no presné odlíšenie hubovej choroby, bakteriálnej infekcie, škodcu či výživového deficitu vyžaduje špecializované dáta. Zlepšenie z 14,9 na 52,8 percenta je výrazné, ale 52,8 percenta stále nestačí na autonómne agronomické rozhodovanie. Dataset navyše upozorňuje na slabšie zastúpené triedy, geografický posun dát z Pakistanu, Mexika a Bangladéša aj na možné vizuálne skratky pochádzajúce z jediného sadu. Odporúčania pesticídov uvádzajú iba účinné látky, pretože registrácia, dávkovanie a ochranné lehoty sa medzi krajinami líšia.

ML Intern bol použitý aj na obrazové LoRA adaptéry. Jeden sa naučil kresliť maskota Huggyho zo súboru 84 obrázkov, ďalší meniť uhol pohľadu na objekt a tretí nahrádzať farebnú čiaru v obrázku pomenovaným predmetom. Pri experimente s uhlom kamery agent vyrenderoval 1 030 naskenovaných predmetov z 24 smerov a vytvoril 24 722 priehľadných obrázkov. Na tréning napokon použil 461 objektov, ďalších 40 ponechal na testovanie. Dvetisíc krokov na jednom GPU A100 trvalo približne 90 minút a celý pracovný postup vrátane neúspešných úloh mal stáť okolo 16 dolárov.

Rozhodujúci je brief, nie jedno magické tlačidlo

Zverejnené prompty ukazujú, že automatizácia neodstraňuje potrebu technického návrhu. Prvé zadanie malo 356 slov, neskoršie približne 1 300 až 1 900 slov. Autor do nich postupne doplnil presné identifikátory modelov a datasetov, známe chyby nástrojov, tréningovú konfiguráciu, požadované metriky, očakávané výstupy a maximálny rozpočet. Samostatná časť s overenými faktmi má agentovi zabrániť, aby opakovane zisťoval už známe údaje alebo míňal výpočtový kredit na slepé odbočky.

Dôležitou súčasťou zadania je meranie východiskového modelu ešte pred tréningom. Bez rovnakého testu pred a po dolaďovaní by výsledné číslo neukazovalo, či tréning priniesol skutočné zlepšenie. Druhou poistkou je krátky skúšobný beh, napríklad 50 krokov, po ktorom sa kontroluje, či sa váhy naozaj zmenili a či vzniknutý checkpoint možno načítať. Až po úspešnej kontrole má agent spustiť drahšiu úlohu. Tento postup je podstatnejší než samotná schopnosť automaticky objednať GPU: premieňa neurčité zadanie na sériu merateľných kontrolných bodov.

Rozpočtový mechanizmus zároveň ukazuje, ako možno obmedziť ekonomické riziko autonómnejšieho agenta. Každá relácia začína bez povolenia míňať peniaze a používateľ stanoví hornú hranicu, nad ktorú agent nesmie pokračovať bez ďalšieho súhlasu. Verejný repozitár uvádza náklady od 1,90 dolára za citrusový model po 37 dolárov za dva behy destilácie malého textovo-obrazového modelu. Ide však o cenu výpočtových úloh, nie o úplné náklady vývoja. Nezahŕňa čas človeka pri formulovaní briefu, kontrole licencií, hodnotení ukážok ani prípadnom opravovaní dát.

Praktický význam pre menšie tímy

Pre menšie firmy, univerzitné pracoviská a slovenské vývojové tímy môže byť tento spôsob práce zaujímavejší než ďalší univerzálny chatbot. Organizácia často nepotrebuje model, ktorý vie všetko, ale malý komponent na presne definovanú klasifikáciu, prepis interných textov alebo vizuálnu kontrolu. Ak agent dokáže pripraviť reprodukovateľný tréning a model prevádzkovateľný lokálne, môže znížiť závislosť od drahého vzdialeného API aj množstvo údajov odosielaných tretej strane. Ekonomická výhoda sa však prejaví iba pri dostatočne častom používaní a po započítaní údržby.

V podnikovom prostredí by mal podobný systém pracovať v izolovanom účte s pevným rozpočtom, povoleným zoznamom datasetov a registrovanými výstupmi. Každý tréning potrebuje zachovať verziu zdrojových dát, konfiguráciu, náhodné semená, licencie a výsledky testov. Modelová karta by mala oddeliť namerané výsledky od tvrdení generovaných agentom. Pri medicíne, poľnohospodárstve, bezpečnosti alebo posudzovaní ľudí musí konečné nasadenie prejsť aj doménovou validáciou; úspešné dokončenie automatizovaného pipeline nie je dôkazom bezpečnosti modelu.

Čo zatiaľ nevieme

Hugging Face zverejnil prompty, datasety, modely a čiastkové evaluácie, čo umožňuje podstatne lepšiu kontrolu než samotné marketingové demo. Stále však chýba nezávislé porovnanie ML Internu s ručne pripraveným tréningom alebo inými agentmi. Nie je jasné, aký podiel úloh agent dokončí bez zásahu, koľko pokusov zlyhá pre nekompatibilné knižnice a ako spoľahlivo si poradí s chybným datasetom. Pri experimente s uhlom kamery sa napríklad uskutočnilo 48 úloh vrátane behov, ktoré zlyhali pre chýbajúce balíky alebo nesprávne cesty.

Otvorenou otázkou zostáva aj kvalita syntetických dát. Učiteľský model môže lacno vytvoriť tisíce označení, no do menšieho modelu prenesie svoje chyby a skreslenia. Silné skóre na teste odvodenom z rovnakého zdroja nemusí znamenať odolnosť na fotografiách z iných kamier, krajín alebo prevádzkových podmienok. Najpresvedčivejším výsledkom preto nie je jedno percento ani nízky účet za GPU. Je ním pracovný vzor: presný brief, overený baseline, malý skúšobný beh, pevný rozpočet, verejné artefakty a explicitné obmedzenia. Práve tieto prvky rozhodnú, či sa agentický tréning stane spoľahlivým nástrojom, alebo iba rýchlejším spôsobom výroby zle overených modelov.