Hugging FaceのML Internで6つの専用モデルを作った手順と費用

著者はQwen-Image 2.1付属のプロンプトリライターの小型版を求めていた。公式版は9Bモデルで約20GBのメモリを要し、長い思考を経て出力する。そこでML Internに要望を伝え、翌日にはCPUで動く0.8B版を得た。8,797件のリクエストを9Bモデルにラベル付けさせる費用を含め、計算費用は16ドルだった。ML Internは計画立案、支出前の予算確認、本番前の小規模テスト、学習、評価、Hugging Face上での公開までを担う。

プロンプトについて著者は最初のメッセージに最も力を入れると述べる。最初のcitrusモデルでは約450語、6件目では約2,000語になった。まず1行でアイデアと理由を書き、次にデータセット、ベースモデル、学習スクリプトを指定する。確認済みの事実は「Verified facts, do not re-derive」という見出しの下にまとめる。特に重要なのは、学習前にベースラインを報告させる指示と、50ステップの学習後に重みが実際に変化したか確認するスモークテストの2点である。最後に成果物とモデルカードの内容、費用上限を指定する。ML Internは予算0ドルから始まり、有料ジョブの実行前に許可を求める。

作例は複数ある。citrus-disease-vlm-instructは3,017枚、21種類の病害虫や栄養障害などを含むデータで、Qwen3.5-2Bをファインチューニングした。335枚のテスト写真での正答率はベースの14.9%から52.8%に上がり、費用は約1.90ドルだった。HuggyのLoRAはFLUX.2 klein base 4Bに84枚の画像で学習し、200ステップ目で初めてキャラクターが安定した。500ステップ以降は無関係なプロンプトにも画風が漏れ出した。費用は約7.60ドルである。

カメラアングルLoRAはGoogle Scanned Objectsの物体を24角度でレンダリングして作り、約90分の学習と合計約16ドルで完成した。Doodle-in LoRAは写真上のマゼンタの落書きを指定物体に置き換えるもので、6,042組の学習ペアを作り、検出率は67.5%、1回の編集は4.7秒だった。費用は約24ドルである。

端末向けのモデルとして、Pocket Rewriterは0.8Bと2Bの生徒モデルを12分と18分で学習し、0.8BはCPU用の812 MBのGGUFでも提供される。Agate Preview 002は260Mパラメータの画像生成モデルで、50ステップを4ステップに蒸留した。GenEvalは0.509から0.536に改善し、教師の50ステップでの0.563に近づいた。費用は2回の実行で約37ドルである。ML InternはHuggingChatでML-internモードを有効にして使え、著者は小さな予算、ベースライン、スモークテストを付けて始めることを勧めている。