huggingface/ml-intern

這一年多來 我把 n8n 跟 CrewAI 綁成論文自讀機 每次跑都要手動貼 5 組 token 最讓人挫折的是上下文在 agent 之間斷層 同一段 paper summary 得重餵三次

ml-intern 直接把 300 次迭代的 agent_loop.py 做成 memory compaction 每一輪都把 state 壓進下一輪 這正是我在 Claude Code 裡等了半年沒等到的一口氣補完

今早我下這行 　ml-intern “fine-tune llama on my dataset” —max-iterations 50 三分鐘後它自己拉 dataset 生 config push hub 還附可視化腳本 省掉我用 Ollama + gemma:9b 手動測試那 30 分鐘重複設定

但免費 tier 只能跑 Haiku 複雜架構立刻撞上 Opus 付費牆 背後的商業邏輯就是把「自動化」綁成訂閱制 我遲疑要不要把整條產線交出去 因為一旦習慣全自動 手刻 pipeline 會瞬間顯得笨重 可若核心步驟外包給單一平台又像在幫別人養 dataset 想聽大家的經驗