Hugging Face 分享了如何利用 Anthropic 的 Claude 模型(作為 AI Agent)來自動微調開源大語言模型。透過整合 Hugging Face 的生態系工具(如 AutoTrain),Claude 能夠自主處理數據集清洗、撰寫訓練腳本、調整超參數並執行微調。這項實驗展示了 Agent 在機器學習工程(MLE)自動化中的巨大潛力,讓模型訓練變得更加平民化。
Hugging Face 宣布調整其平台定價機制。本次更新推出了每月 9 美元的 PRO 方案,為個人創作者與研究人員提供 GPU 額度與進階功能。同時,針對 Spaces 硬體升級、Inference Endpoints 與 AutoTrain 等付費服務,全面改為更靈活的按需計費(Pay-as-you-go)模式,而免費社群版功能則維持不變。
Hugging Face 宣布推出「Evaluation on the Hub」功能。用戶無需編寫任何程式碼,即可直接在瀏覽器中評估 Hub 上的模型與數據集。該功能與 AutoTrain 整合,評估結果會自動發布並連結至模型卡片,大幅提升了 AI 模型評估的便利性、透明度與可重複性。
本教學介紹了一套無程式碼/低程式碼的 NLP 工作流。首先利用 Kili Technology 平台進行高效的文本數據標註與品質管理,接著將標註好的輿情數據集導入 Hugging Face AutoTrain。AutoTrain 會自動嘗試多種開源模型架構並進行微調,讓開發者在無需編寫複雜深度學習程式碼的情況下,快速構建出高精度的輿情與觀點分類模型。