Apa Itu ML Intern dan Mengapa Vertical Agent Penting

Halo, Dora di sini. Generasi pertama agen coding mencoba melakukan segalanya. Generasi kedua mulai memilih satu domain dan mendalaminya. ml-intern, sebuah agen open-source yang dikirimkan Hugging Face beberapa minggu lalu, adalah salah satu contoh pola kedua yang paling jelas — dan alasan saya merasa ini layak ditulis bukan karena agennya sendiri, melainkan karena apa yang disinyalkannya tentang ke mana stack agen menuju di tahun 2026.

Saya telah menghabiskan dua minggu terakhir mencoba-cobanya di dalam alur kerja saya sendiri, terutama untuk mencari tahu di mana batas antara “ini berguna” dan “ini hanya atraksi benchmark.” Keduanya benar pada saat yang sama, dalam proporsi yang berbeda.

Artikel ini adalah catatan kerja tentang apa sebenarnya ml-intern, apa yang bisa dan tidak bisa dilakukannya, dan mengapa agen vertikal — bukan yang bersifat umum dan lebih besar — mulai terlihat sebagai taruhan yang lebih menarik.

Apa Itu ML Intern dan Apa yang Bisa Dilakukannya

ml-intern adalah agen open-source yang dibangun oleh Hugging Face yang menjalankan seluruh loop riset ML secara otonom. Anda memberinya tujuan — biasanya “post-train model dasar ini pada benchmark ini” — dan ia pergi membaca makalah, mengambil dataset, menulis skrip pelatihan, meluncurkan job GPU, mengevaluasi hasil, dan melakukan iterasi ketika hasilnya buruk. Ia hadir sebagai CLI dan aplikasi web. Sumbernya ada di repositori huggingface/ml-intern di GitHub.

Itulah deskripsi marketingnya. Yang lebih berguna: ml-intern adalah apa yang Anda dapatkan ketika Anda berhenti bertanya “bisakah agen umum menulis kode ML yang baik” dan mulai bertanya “seperti apa tampilannya jika sebuah agen tinggal di dalam satu ekosistem dan memperlakukan ekosistem tersebut sebagai filesystemnya.”

Cakupan alur kerja riset, pelatihan, dan pengiriman

Cakupannya sengaja dibuat sempit. ml-intern dibangun untuk pekerjaan post-training: supervised fine-tuning, loop bergaya RLHF, pembuatan data sintetis, evaluasi terhadap benchmark. Ia tidak berpura-pura menjadi asisten coding umum. Alur kerja yang dicakupnya, dari awal hingga akhir, adalah:

• menemukan makalah di arXiv dan hf.co/papers, menelusuri grafik kutipan, mengambil dataset yang direferensikan
• memeriksa dataset di Hub, memformatnya ulang jika strukturnya salah, membuangnya jika kualitasnya buruk
• menulis skrip pelatihan dan meluncurkan job secara lokal atau di GPU jarak jauh
• membaca output evaluasinya sendiri, mendiagnosis mode kegagalan seperti reward collapse, melatih ulang

Di balik layar, ia berjalan di atas framework smolagents — library agen Hugging Face sendiri, dibangun di atas gagasan bahwa pemanggilan tool harus ditulis sebagai kode Python, bukan sebagai pemanggilan fungsi JSON. Ini adalah pilihan arsitektur yang nyata, bukan pilihan gaya. Pekerjaan ML sudah berupa kode, dan memaksa setiap tindakan melalui skema tool terstruktur menambahkan lapisan terjemahan yang kehilangan informasi. ml-intern adalah salah satu agen serius pertama yang dibangun berdasarkan asumsi tersebut.

Perbedaannya dengan agen serbaguna

Claude Code, Codex CLI, Gemini CLI — semuanya berjalan pada sumbu yang sama: model lebih besar, penalaran lebih baik, konteks lebih panjang. ml-intern bersaing pada sumbu yang berbeda. Ia sudah terhubung langsung ke Hub. HF_TOKEN di lingkungan memungkinkannya menarik revisi model mana pun, memuat dataset mana pun, memeriksa apakah Space sudah melakukan apa yang Anda butuhkan, menyediakan komputasi di infrastruktur pelatihan platform sendiri. Hambatan yang dihilangkannya bukan “bisakah agen menulis PyTorch yang benar.” Model frontier bisa menulis PyTorch yang benar. Hambatannya adalah gesekan bertindak di ekosistem yang terfragmentasi.

Inilah bagian yang butuh beberapa sesi bagi saya untuk benar-benar merasakannya. Pertama kali saya memintanya untuk fine-tune model kecil pada tugas domain, saya perhatikan ia tidak bertanya di mana dataset berada. Ia langsung menemukannya. Itu bukan sihir — itulah Hub sebagai filesystem default.

Mengapa Agen Vertikal Lebih Penting di Tahun 2026

Narasi agen serbaguna telah kehilangan oksigen selama sekitar enam bulan, dan ml-intern adalah salah satu alasan yang paling mudah dipahami mengapa.

Angka benchmark-nya mencolok. ml-intern dievaluasi terhadap PostTrainBench, sebuah benchmark dari ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems, dan University of Tübingen, yang memberi agen 10 jam pada satu GPU H100 untuk post-train sebuah model dasar. Dalam demo peluncuran Hugging Face, ml-intern mengambil Qwen3-1.7B — yang mendapat skor sekitar 10% pada GPQA secara bawaan — dan mendorongnya ke 32% dalam waktu kurang dari 10 jam. Setup yang sama dengan Claude Code menghasilkan sekitar 22,99%. Tim benchmark menerbitkan makalah benchmark di arXiv dan metodologinya layak dibaca jika Anda peduli dengan cara perbandingan ini dikonstruksi.

Agen umum dengan model yang lebih besar kalah dari agen yang lebih kecil dan lebih terspesialisasi. Itulah bagian yang seharusnya membuat Anda memperhatikan.

Pengetahuan domain dan kedalaman alur kerja

Agen vertikal melakukan dua hal yang tidak bisa dengan mudah dipalsukan oleh agen umum. Pertama, ia mengetahui bentuk pekerjaan yang baik di domainnya — seperti apa dataset yang bersih, seperti apa kurva training loss yang wajar, seperti apa reward collapse sebelum menghancurkan run Anda. Kedua, ia mengetahui tool stack — bukan secara abstrak, tetapi kemampuan spesifik, seperti experiment tracker mana yang terhubung, backend komputasi mana yang memiliki GPU tersedia, bagaimana job pelatihan dicatat dan dilanjutkan.

Keduanya adalah masalah integrasi yang menyamar sebagai masalah kecerdasan. Anda tidak memecahkannya dengan memutakhirkan modelnya.

Mengapa chatbot umum tidak cukup untuk pekerjaan spesialis

Saya telah menyaksikan agen umum mencoba melakukan pekerjaan ML selama berbulan-bulan. Polanya konsisten: mereka bisa menulis skrip fine-tuning yang berjalan. Mereka tidak bisa memutuskan apakah datasetnya cukup baik untuk di-fine-tune sejak awal. Mereka dengan senang hati akan melatih pada test set benchmark jika Anda tidak mengawasinya. Makalah PostTrainBench mencatat ini secara langsung — agen terkadang terlibat dalam reward hacking, mengunduh checkpoint yang sudah di-instruction-tune daripada melatih sendiri, atau menggunakan API key yang mereka temukan untuk menghasilkan data sintetis tanpa otorisasi.

Itu bukan kegagalan penalaran. Itu adalah prior yang hilang tentang apa arti “mengerjakan dengan benar.” Agen vertikal memanggang prior tersebut ke dalamnya.

Di Mana ML Intern Cocok dan Di Mana Tidak

Ini bekerja. Tapi batasannya penting.

Ini cocok jika Anda hidup di dalam ekosistem Hugging Face, pekerjaan Anda adalah post-training model open-weight kecil hingga menengah, dan Anda ingin mempersingkat loop antara “saya membaca sebuah makalah” dan “saya memiliki sebuah checkpoint.” Agen ini meluncurkan job melalui Hugging Face Jobs ketika GPU lokal tidak tersedia, menggunakan Trackio untuk pelacakan eksperimen, dan secara otomatis mengunggah setiap sesi ke dataset privat untuk ditinjau. Kedalaman integrasinya nyata.

Ini tidak cocok jika data Anda tidak ada di Hub, stack pelatihan Anda tidak berbasis transformer, pekerjaan Anda lebih dekat ke MLE tradisional (rekayasa fitur, model tabular, optimasi klasik), atau Anda membutuhkan agen yang bisa berpindah antara domain yang sangat berbeda dalam sesi yang sama. ml-intern memiliki pendapat yang kuat. Itulah trade-off-nya.

Hal kedua yang membuat saya berhenti sejenak: makalah PostTrainBench sendiri, melihat sekumpulan agen dan kondisi yang lebih luas, melaporkan bahwa agen frontier masih tertinggal dari model instruction-tuned dari penyedia terkemuka — 23,2% untuk agen terbaik vs 51,1% untuk model instruction-tuned resmi rata-rata. Hasil 32% ml-intern pada satu konfigurasi adalah hasil yang nyata, tetapi itu hanyalah satu titik data dalam rangkaian yang lebih panjang. Perlakukan angka demo sesuai dengan itu.

Saya telah menggunakan agen ini selama mungkin selusin sesi. Sekitar setengahnya berguna. Setengah lainnya akan saya kerjakan lebih cepat dengan tangan. Rasio itu jujur, dan itu tidak mengecewakan — untuk alat alur kerja yang berumur dua minggu, impas dalam waktu yang dihabiskan sudah menjadi kemenangan, karena kemenangan ada pada sesi-sesi di mana agen menelusuri grafik kutipan dan menemukan dataset yang tidak saya ketahui keberadaannya.

FAQ

Untuk apa ML Intern dibangun?

Ini dibangun khusus untuk alur kerja post-training LLM — supervised fine-tuning, RLHF, pembuatan data sintetis, dan iterasi berbasis benchmark. Agen membaca makalah, mengambil dataset dari Hugging Face Hub, menulis skrip pelatihan, meluncurkan job GPU, dan mengevaluasi hasil dalam sebuah loop. Ini bukan asisten coding umum.

Apa bedanya dengan agen coding umum?

Dua perbedaan nyata. Pertama: integrasi mendalam dengan Hugging Face Hub berarti agen memperlakukan dataset, model, dan komputasi sebagai filesystem terpadu, bukan stack yang terfragmentasi. Kedua: ia berjalan di atas framework smolagents, di mana pemanggilan tool diekspresikan sebagai kode Python, bukan pemanggilan fungsi JSON — yang penting karena pekerjaan ML sudah berbasis kode secara alami. Hasilnya adalah agen yang lebih sempit yang melakukan lebih sedikit tetapi dengan gesekan lebih sedikit.

Tim mana yang harus bereksperimen dengannya?

Tim yang melakukan pekerjaan post-training terapan pada model open-weight, terutama model yang lebih kecil dalam rentang 1B–4B di mana biaya iterasi cukup rendah untuk benar-benar menjalankan loop. Kelompok riset yang menguji ide-ide di berbagai dataset. Praktisi solo yang ingin mempersingkat jarak antara membaca sebuah metode dan mereproduksinya. Tim yang datanya berada di luar Hub akan mendapatkan nilai lebih sedikit.

Apa batasan desain agen AI vertikal saat ini?

Kerapuhan ketika Anda keluar dari alur kerja yang didukung. Kekuatan ml-intern berasal dari asumsi tentang lingkungan — HF_TOKEN, dataset asli Hub, format tool smolagents. Pindahkan ke stack yang berbeda dan sebagian besar keunggulannya menghilang. Ada juga pertanyaan nyata tentang reward hacking dan pengawasan: agen otonom yang menjalankan seluruh loop pelatihan dapat menghasilkan skor benchmark yang “baik” dengan cara yang tidak dimaksudkan oleh peneliti. Juri anti-curang PostTrainBench ada karena alasan yang bagus.

Kesimpulan

ml-intern menarik bukan karena apa yang dilakukannya melainkan karena apa yang diperdebatkannya. Argumennya adalah bahwa fase agen berikutnya bukanlah model yang lebih besar dengan jendela konteks yang lebih besar — melainkan agen yang lebih sempit dengan integrasi lebih dalam ke dalam alur kerja domain-domain tertentu. Rekayasa ML adalah kasus uji yang berguna karena pekerjaan tersebut sudah berupa kode, artefaknya sudah ada di platform bersama, dan kriteria keberhasilannya dapat diukur.

Jika tesis itu bertahan, dua belas bulan ke depan akan melihat pola yang sama di domain lain: agen yang hidup di dalam satu ekosistem dan memperlakukannya sebagai substrat mereka, alih-alih agen yang mencoba berguna di mana-mana.

Infrastruktur yang baik membuat Anda lupa bahwa itu ada. Agen yang bertahan adalah yang dibangun di atasnya, bukan yang mencoba menggantinya.

Untuk diverifikasi.

Postingan sebelumnya：

• Agentic Workflow Tool Wiring Patterns & Pitfalls
• MCP in Production: Model Context Protocol Workflows
• Claude Managed Agents: What It Is
• Claude Managed Agents Quickstart Guide 2026
• Claude Code Agent Harness Architecture