ML Intern: 103 Dolara Altı Açık Model Eğitildi

Hugging Face, 8 Ekim 2026’da yayımladığı blog yazısında ML Intern adlı ajanın neler yapabildiğini somut örneklerle gösterdi. ML Intern, HuggingChat’in ML-intern modunda çalışan bir ajan. Kullanıcı istediği modeli bir mesajla tarif ediyor, ajan işi planlıyor, harcamadan önce bütçe onayı istiyor, küçük bir deneme yapıyor, ardından modeli eğitip değerlendiriyor ve Hugging Face Hub’da yayımlıyor.

Yazıyı kaleme alan Yuvraj Sharma, birkaç gün içinde altı küçük model geliştirdi. Toplam maliyet yaklaşık 103 dolar oldu.

Ne Değişti?

ML Intern’in en önemli özelliği güvenli bir bütçe mantığıyla başlaması. Ajan sıfır dolarlık bütçeyle açılıyor ve ücretli bir iş çalıştırmadan önce kullanıcıdan izin istiyor. Eğitim bittiğinde modelin kartına değerlendirme sonuçlarını da ekliyor.

Sharma’nın sonuçları dikkat çekici. Qwen3.5-2B tabanlı Citrus Doctor, 21 zararlı, hastalık ve besin eksikliği sınıfına ait 3.017 etiketli görselle eğitildi. 335 test fotoğrafında doğru teşhis oranı yüzde 14,9’dan yüzde 52,8’e çıktı. Maliyeti yaklaşık 1,90 dolar.

Pocket Rewriter adlı projede 9 milyar parametreli bir öğretmen modelden 0,8 ve 2 milyarlık öğrenci modeller damıtıldı. 0,8 milyarlık model yüzde 99,7 oranında geçerli çıktı üretiyor, öğretmenin yaklaşık dörtte biri kadar token kullanıyor ve işlemcide çalışmak üzere 812 MB’lık GGUF dosyası olarak sunuluyor.

Diğer projeler arasında Qwen-Image 2.1 için kamerayı nesnenin etrafında döndüren bir LoRA, karalamayı istenen nesneyle değiştiren bir düzenleme LoRA’sı ve üretim adımını 50’den 4’e indiren 260 milyon parametreli bir metinden görsel modeli yer alıyor.

İyi Sonuç İçin Ne Gerekiyor?

Sharma’nın deneyimi, iyi bir ilk komutun önemini gösteriyor. İlk projede komut 450 kelimeydi, altıncıda yaklaşık 2.000 kelimeye çıktı. Komutta hedef, veri seti, temel model ve eğitim yaklaşımı açıkça yazılıyor. Daha önce doğrulanmış bilgiler listeleniyor ki ajan bunları yeniden keşfetmeye uğraşmasın.

İki kural özellikle öne çıkıyor. Eğitimden önce bir temel puan alınmalı. Tam eğitimden önce de kısa bir duman testi yapılmalı, örneğin 50 adım çalıştırılıp ağırlıkların gerçekten değiştiği kontrol edilmeli. Teslim edilecekler ve harcama tavanı da baştan belirtilmeli.

Görsel tarafındaki projeler de ölçülü sonuçlar verdi. Karalamayı nesneyle değiştiren LoRA, nesnelerin yüzde 67,5’ini çizilen yere yerleştirdi ve düzenleme başına 4,7 saniye sürdü. Daha önce görmediği sınıflarda bile benzer başarı gösterdi. Adım sayısını düşüren 260 milyonluk model ise aynı 4 adımda öğretmen modelini geride bıraktı.

Kimi İlgilendiriyor?

ML Intern, kendi modelini eğitmek isteyen ama makine öğrenmesi altyapısıyla uğraşmak istemeyen geliştiriciler, araştırmacılar ve küçük ekipler için anlamlı. Belirli bir alana özel küçük modeller, örneğin tarım ya da metin yeniden yazma gibi işler, bu yöntemle düşük maliyetle denenebiliyor.

Modeller, veri setleri ve demo alanları Hub’da ML-Intern-lab organizasyonu altında yayımlandı. Sharma’nın kullandığı komutlar da GitHub’da serbestçe kopyalanabilir şekilde paylaşıldı. Yazıda her model ve veri seti için lisans bilgisi verilmiyor, bu yüzden kullanmadan önce ilgili sayfalara bakmak gerekiyor.

Türkiye’den Kullanıcılar İçin

Türkiye’deki geliştiriciler için en ilginç nokta maliyet. Birkaç dolarla alana özel bir model denemek, yerel ihtiyaçlar için küçük modeller geliştirmenin önünü açıyor. Türkçe veri setleriyle benzer bir deneme yapmak isteyenler, Sharma’nın komut yapısını şablon olarak kullanabilir. Yazının özeti de bu yaklaşımı iyi anlatıyor: Var olmasını dilediğiniz bir modelden ve elinizdeki bir veri setinden yola çıkın.