不存在的模型，自己动手造

一位开发者想要一个轻量版的提示词改写模型，官方版本要9B参数、20GB显存，跑一次要思考几千个token才写出一段话。他在Hugging Face上只找到同一个9B模型的压缩版，于是干脆把自己想要的东西描述给一个叫ML Intern的AI代理，第二天就拿到了一个0.8B、能在CPU上跑的版本，输出有效率99.7%，token消耗只有原版的四分之一。整个项目的算力成本，包括让9B模型给8797条示例请求打标签，一共花了16美元。 这件事的背景是，大模型越做越大，但很多具体场景其实只需要一个小而专的模型。过去要自己训一个，得懂数据、懂训练脚本、懂评测，门槛不低。而现在像ML Intern这样的代理工具，把规划、预算申请、小规模测试、训练、评测、发布这一整套流程都包了下来，开发者只需要在第一条消息里把需求讲清楚。这位作者在接下来几天里用同样的方式又做了五个模型，每个都始于HuggingChat里一条开启ML-intern的消息，终于Hub上一个带评测结果的公开模型。 作者总结出一套写提示词的方法。第一条消息最关键，他第一个项目写了约450词，到第六个已经接近2000词，因为每个项目都教会他下一个项目该补什么。提示词开头用一句话说清想法和动机，然后点名具体部件：数据集、基础模型、训练脚本。凡是自己已经验证过的东西，单独放在一个标题下，字面意思就是"已验证事实，不要重新推导"，这样代理就不会把预算浪费在重复发现已知信息上。比如做相机角度LoRA时，这一节列出了哪个训练器刚加了透明图像支持、哪些未解决的GitHub issue让备用训练器有风险。 提示词里有两行是必须的。第一行要求训练前先跑一个基线，比如柑橘那个项目里写着"训练前也报告基础模型在同一指标上的零样本得分，这样能看出提升幅度"。没有这一行，你只会得到一个训练完的模型，却不知道它比原来的强在哪。第二行是带检查的冒烟测试，做图像LoRA时他要求先跑50步训练，然后检查保存的权重是否真的变了，确认无误再付全款跑完整训练。提示词结尾要列出预期交付物并限制成本，比如"总花费上限12美元，超支前先问我"。因为ML-intern每个任务都从零预算开始，执行付费任务前必须获得许可，这个限额会被严格执行。如果不写预算，代理会根据项目规模给出几条路径让你选。 作者用这套方法在两天里做了六个东西。第一个是懂农业的垂直模型：通用视觉模型能描述发黄的柑橘叶子，但判断这是螨虫还是缺镁、给出生物和非生物防治方案就很难。他用Claude整合了Hub上Project-AgML组织的三个数据源，做出一个包含3017张标注图像、覆盖21种病虫害和营养缺乏及治疗方案的数据集，再让ML-intern基于Qwen3.5-2B做微调，并确保对基础模型做了基准测试。 对跨境电商卖家和AI工具用户来说，这件事的意义在于：定制小模型的门槛和成本正在快速下降。以前要花几万美元、几周时间才能训出的专用模型，现在可能只要十几美元算力和一条写清楚的提示词。商品图片分类、评论情感分析、多语言listing优化这类场景，都可能用这种方式做出比通用大模型更准、更便宜、更快的专用小模型。