投稿者 投稿日: カテゴリー AIニュース
Hugging Faceは2026年10月8日、HuggingChatのエージェントモード「ML Intern」に指示を出すだけで、計画、予算確認、学習、評価、公開までを任せ、6つの小型モデルを合計約103ドルで作った事例を公開しました。
本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル(うるチカラ運営)が解説します。
Hugging Faceのブログによると、執筆者のyuvraj sharmaは、公開モデルが見つからない用途に対してML Internへ作業を依頼し、データ作成からHubへの公開までを一気通貫で進めさせました。ML Internとは、モデルの学習や評価といった機械学習の作業を、人間の指示に沿って自律的に進めるエージェントのことです。
何が起きたか:不足していた小型モデルをエージェントが作った
発端は、Qwen-Image 2.1に付属するプロンプト書き換えモデルでした。このモデルは9Bパラメータで、動かすには約20GBのメモリが必要です。Hubにあったのは同じモデルの圧縮版だけだったため、筆者は0.8Bの小型版をML Internに依頼しました。翌日にはCPUで動く版が完成し、有効な出力率は99.7%、教師モデルのトークン消費は約4分の1に収まったと報告されています。教師モデルによる8,797件のラベル付けを含むプロジェクト全体の計算費用は16ドルでした。
この事例を含め、作られたモデルは全部で6つで、計算費用の合計は約103ドルです。1つ目は柑橘類の病害を診断するCitrus Doctorで、Qwen3.5-2Bをベースに3,017枚・21カテゴリの画像で学習し、335枚のテストで正答率を14.9%から52.8%へ引き上げました。費用は約1.90ドルです。2つ目はマスコット画像を作るHuggy LoRAで、FLUX.2 klein base 4Bに84枚のキャプション付き画像を学習させ、費用は約7.60ドルでした。
3つ目はカメラアングルを変えるViewpoint Orbit LoRAです。Google Scanned Objectsの1,030物体を24角度でレンダリングして24,722枚の透過画像を作り、A100で2,000ステップ、約90分、約3.75ドルで学習しました。4つ目は落書きを物体に置き換えるDoodle-in LoRAで、6,042組の学習データを用い、落書き位置に物体が出る割合は67.5%、1回の編集は4.7秒です。費用は約24ドルでした。
なぜ重要か:小型モデルを数ドルで作る手順が見えた
注目したいのは、1本あたりの費用が小さい点です。5つ目のPocket Rewriterは、0.8Bと2Bの2サイズで、学習はA10Gで12分と18分、約0.75ドルでした。812MBのGGUF形式も提供され、CPUでも動かせます。6つ目のAgate Preview 002 4-stepは、260Mパラメータの画像生成モデルを通常50ステップから4ステップへ蒸留したもので、1回目は約13時間・約22ドル、追加学習を含めて合計約37ドルです。GenEvalの指標は0.509から0.536に改善し、教師の50ステップ版の0.563に近づきました。
筆者が成功の条件として重視したのは、ベースライン評価、小規模な動作確認、予算上限の指定の3点です。エージェントに丸ごと任せる場合でも、最初に現在の性能を測り、小さく試し、費用の上限を決めておくことが、成果の再現性と安全性を左右するという整理です。プロンプト例はGitHubで公開されています。
一方で、これは個人が小さな用途に絞って作った事例であり、すべての業務で同じ費用感になるとは限りません。業務データを使う場合の権利関係や品質保証は別途確認が必要です。
今後の動き:注目したい3つのポイント
第一に、エージェントが機械学習の作業そのものを担う流れが広がるかどうかです。データ作成、学習、評価、公開を1つの依頼でこなせるなら、専門人材が少ない組織でも小型モデルを試せる余地が出てきます。
第二に、小型モデルの置き換えが進むかどうかです。9Bの書き換えモデルを0.8Bに縮め、CPUで動かせたことは、推論コストや設置環境の制約が大きい現場にとって意味があります。商品説明の整形やカテゴリ分類のような定型作業で、同じ手法がどこまで通用するかは要確認です。
第三に、評価の透明性です。今回の数字は筆者自身の検証によるもので、第三者による再現結果はまだ見えていません。公開されたモデルやデータセットを他の開発者が試し、同等の結果が出るかが次の焦点になります。
まとめ
Hugging FaceのML Internは、不足していた小型モデルを依頼ベースで作り、6モデルを合計約103ドルで公開する形で、エージェントによるモデル開発の現実的な費用感を示しました。ベースライン評価と小さな動作確認、予算上限という進め方も含め、今後の再現報告に注目したいところです。
参考文献
- Hugging Face Blog: The model that didn’t exist, so you made it yourself
- Hugging Face: ML Intern
- Hugging Face: Citrus Doctor
- Hugging Face: Qwen-Image-2.1-PE-T2I-Pocket-0.8B
- GitHub: ml-intern-prompts
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: Hugging Face
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
