Hugging Faceは、論文の調査からデータセット選定、コードの実行、モデルの学習・評価までを自律的にこなすオープンソースのAIエージェント「ML Intern」を公開した。同社が示した初期ベンチマークでは、科学的推論のタスクでAnthropicのClaude Codeを、医療分野の評価タスクでOpenAIのCodexをそれぞれ上回ったとされている。CLIおよびモバイル・デスクトップ向けWebアプリとして、今日から利用可能だ。

論文を読み、GPUジョブを回す自律エージェント

ML InternはHugging FaceのAIエージェントチームが開発した。arXivやhf.co/papersから論文を探し、引用グラフをたどって関連研究を掘り下げ、データセットを取得・整形し、ローカルにGPUがなければHugging Face Jobs上で学習ジョブを起動する。最大300回のイテレーションを回すエージェンティックループに、会話履歴を自動圧縮するコンテキストマネージャー、ドキュメント・データセット・論文検索やGitHubコード検索を呼び出すツールルーター、サンドボックス実行環境を備える。CLIはuv経由でインストールでき、推論プロバイダーは任意のモデルIDを指定できるが、デフォルト設定はAnthropicのClaudeモデルを指す。

「Claude Codeを上回った」の中身

開発者のAksel Joonas Reedi氏によると、GPQA(科学分野の推論ベンチマーク)ではNVIDIAの研究論文を引用検索で見つけ出し、Qwen3-1.7Bに12回のファインチューニングを実行、10時間足らずでスコアを10%から32%まで押し上げ「Claude Codeの最高スコア22.99%」を上回ったという。医療分野のHealthBenchでは、既存データセットの質が低いと判断して1,100件の合成対話データを自ら生成・50倍にアップサンプリングして学習し、Codexを60%上回ったとしている。数学タスクでもGRPOの学習スクリプトを書いてA100 GPU上で実行し、報酬が崩壊した際には原因を分析して学習をやり直したという。ただしこれは、汎用コーディングエージェントであるClaude Codeの素の回答精度と、ML Intern自身が目的特化でファインチューニングした小型モデルのスコアを比べたものであり、単純な「エージェント対エージェント」の比較ではない点には注意が要る。Hugging Faceは早期利用者向けにGPUリソースとAnthropicクレジットを合計1,000ドル分提供するとしている。

実務への影響

ML Internは、論文調査からデータ整備・学習・評価までの研究ループをHugging Face Jobs・Spaces・Datasetsといった同社エコシステム上で自動化する。すでにHugging Faceのスタックを使うチームであれば、独自データでの検証実験やPoCを低コストで回す手段として試す価値がある。一方でHugging Face自身が「ベンチマーク外の乱雑な実データ、とりわけデータ品質・同意・ライセンスが絡む領域でどこまで自律性が通用するかは未知数」と認めている。本番の研究・開発ワークフローに組み込む前に、自社データとタスクで実際に動かして再現性を確認する検証フェーズは省略できない。

筆者の見解

ML Internの技術的な核は「Claude Codeに勝った」という見出しよりも、最大300回のループの中で失敗(報酬の崩壊など)を自分で検知し、原因を分析してやり直す自己修正の設計にある。指示待ちで人間の承認を求め続けるのではなく、目的だけを渡せば自律的にタスクをやり切るエージェントの方向性そのもので、今後さらに重要になっていくテーマだと考えている。

ただしベンチマークの見出し数字は割り引いて読むべきだ。特化ファインチューニングした小型モデルの成績と、汎用エージェントの素の回答精度を並べて「上回った」と言うのは、ベンダーブログにありがちな見せ方であり、実運用での再現性とは別問題だ。興味深いのは、Claude Codeを引き合いに出しながらML Intern自体の推論モデルのデフォルトがAnthropicのClaudeを指している点で、エコシステムの土台としてのClaudeモデルの存在感を改めて示している。

日本のエンジニアにとって大事なのは、こうした発表を追いかけ続けることではなく、1,000ドルのクレジットのような機会を使って実際に自分の手を動かし、自律ループ型エージェントが自分たちの業務でどこまで使えるかを確かめることだろう。

出典: この記事は Hugging Face launches ML Intern, AI agent that beats Claude Code on reasoning の内容をもとに、筆者の見解を加えて独自に執筆したものです。