Hugging Face ml-internとは？オープンソースAI MLエンジニアがClaude Codeを超えた理由・使い方・料金を徹底解説

ml-intern（ML Intern）は、Hugging Faceが作った機械学習向けのAIエージェントです。頼みたい作業を文章で伝えると、論文やデータセットを調べ、学習スクリプトを書き、Hugging Faceの計算環境で動かして結果を報告します。 2026年4月にオープンソースのCLIとWebアプリとして公開されましたが、2026年9月にCLIとWebアプリは廃止されました。いまは、Hugging Faceのチャットサービス「HuggingChat」のモードの一つとして使います。

この記事でわかることは次のとおりです。

• ML Internの中身と、CLI版からHuggingChat版への移行で変わった点
• できること（公式の用途例と、公式ブログで公開された作例）
• 料金の仕組み（モデルとの会話の代金と、学習ジョブの代金の2本立て）
• HuggingChatで使い始める手順と、予算の設定方法
• 「Claude Codeを超えた」というベンチマークの中身と、読むときの注意
• Claude Code・OpenAI Codexとの違い、業務で使う前に確認すること

LLMのファインチューニングや評価を担当するMLエンジニア・研究者、以前のCLI版を使っていて今後の扱いを知りたい人、自社モデルの事後学習（ポストトレーニング）を検討している企業の技術担当者に向けた記事です。AIエージェントの基本から知りたい人は、AIエージェントとはから読むと流れをつかみやすくなります。

出典: Hugging Face公式ブログ「ML Intern Takehome」

ml-internとは

ML Internは、機械学習の作業を計画してから順に実行するHugging Face製のエージェントです。公式ドキュメントでは「HuggingChatのモードの一つで、Hugging Face Hubを作業場として機械学習の作業を計画・実行する」と説明されています。

汎用のコーディングエージェントとは目的が違います。Webアプリの開発や既存コードの改修ではなく、モデルのファインチューニング、評価、データセットづくり、デモの公開といった機械学習の一連の作業を任せるための道具です。

基本情報（2026年10月時点）

誰が何のために作ったか

Hugging Faceは、Transformersやdatasets、モデル共有サイトのHubなど、オープンな機械学習の基盤を運営している会社です。ML Internは、同社の研究者がふだん行っている「論文を読む → データを探す → 学習する → 評価する → やり直す」という流れをエージェントに任せる試みとして始まりました。

CTOのJulien Chaumond氏はLinkedInで「機械学習の専門家でなくても、機械学習のアイデアを形にできるべきだ」という趣旨を述べています。HuggingChatへの移行で、ターミナルを使わずブラウザだけで使えるようになったのは、この考え方に沿った変化といえます。

最新動向：CLI版は廃止、HuggingChatのモードへ移行

2026年5月時点の情報で書かれた解説記事の多くは、ml-intern コマンドを入れて使う前提になっています。しかし現時点では、その前提は当てはまりません。

出典: huggingface/ml-intern GitHubリポジトリ

公開から廃止までの流れ

廃止の理由は、公式には説明されていません。

旧CLI版とHuggingChat版の違い

旧CLIはPyPIに ml-intern 0.1.0 として残っており、入れること自体はできます。ただし開発元は「サポート、バグ修正、セキュリティ更新は提供しない」と明記しています。旧CLIは手元のPCでコマンド実行やファイル書き込みを行う作りだったので、業務端末で使い続けるのはおすすめできません。旧CLIを使っていた人は、HuggingChat版に切り替えるか、別のエージェントに乗り換える前提で考えるのが現実的です。

ml-internでできること

ML Internは、機械学習の作業を「調べる → 書く → 動かす → 確かめる → 公開する」の順に進めます。公式ドキュメントに挙がっている用途は次の5つです。

• 論文を小さな規模で再現する
• モデルをファインチューニングし、学習済みのチェックポイントを評価する
• データセットを作る・整える（合成データを含む）、そしてHubに公開する
• デモを作り、Spaceとして公開する
• ベンチマークでモデルを評価する

公式ブログで公開された作例

2026年10月8日の公式ブログ「The model that didn't exist, so you made it yourself」では、HuggingChat版で作ったモデル6件が紹介されています。数値はいずれも開発元の公表値です。

計算費用はGPU・CPUジョブの代金だけで、モデルとの会話の代金は含まれていません。作例は、小さめのモデルのファインチューニング、LoRA、蒸留、評価が中心です。大規模な事前学習（ゼロからのモデル学習）の例はありません。

作業を支える機能

出典: Hugging Face公式ブログ「ML Intern Takehome」

ml-internの仕組み：計画してから実行する

ML Internは「調べる → 計画して見積もる → 実行する」の3段階で一つの作業を進めます。この基本の流れはローンチ時（2026年4月）の公式ブログで示されたもので、HuggingChat版でも「最初に計画を立て、手順ごとに実行する」と説明されています。

1. 調べる: 関連する論文、モデル、データセット、コード例を読み、やり方を決める
2. 計画して見積もる: 作業を分け、必要なGPU・データ・時間を見積もる
3. 実行する: スクリプトを書いてHugging Faceの計算環境で動かし、結果を確かめて直す

HuggingChat版の中身は、HuggingChatを動かしているオープンソースのChat UIに組み込まれています。公式のセルフホスト手順では、Node.js 20以上、Hugging FaceのOAuthアプリ、ML_ASSISTANT_MODE=true という設定に加えて、使うモデルとプロバイダーを固定する設定が必要です。公式は固定する理由を「数十万トークン規模の長いやり取りでツールを呼び続けるため、どのモデル・プロバイダーでも安定するわけではない」と説明しています。

HuggingChat版の本番でどのモデルが動いているか、利用者がモデルを選べるかは、公式ドキュメントでは確認できませんでした（セルフホスト手順の例として示されているのは zai-org/GLM-5.3-Flash と moonshotai/Kimi-K3 です）。

ベンチマーク：Claude Code・Codexを超えた根拠

「Claude Codeを超えた」という話の根拠は、ローンチ時に開発メンバーのAksel Joonas Reedi氏がLinkedInで示した結果です。LLMの事後学習という限られた課題での比較で、第三者による検証は公表されていません。

出典: Hugging Face公式ブログ「ML Intern Takehome」

GPQA（大学院レベルの科学の問題）

小型モデルQwen3-1.7Bをどこまで伸ばせるかを、エージェントごとに比べた結果です（2026年4月、開発元の公表値）。

HealthBench（医療の質問への回答）

OpenAI Codexを「60%上回った」と報じられています。ただし、相対値か絶対値か、元のスコアがいくつかは示されていません。このときML Internは、既存のデータでは足りないと判断して合成データを1,100件作り、50倍に水増しして学習に使ったとされています。

この結果をどう読むか

EdTech Innovation Hubの報道（2026年4月23日）も、独立した検証はなく評価条件の詳細も示されていないと注記しています。数字を読むときは、次の3点を押さえておくと誤解しにくくなります。

• 比べた課題が限られている: 「小型モデルを事後学習してスコアを上げる」という課題での比較で、コード全般の能力を比べたものではない
• 比べた時期が古い: 相手は2026年4月時点のClaude Codeで、現在のClaude Code（Opus 5.5やFable 5.1の世代）とは比べていない
• 比べた提供形態も古い: 結果は旧CLI版のもので、HuggingChat版で同じ数字が出るかはわからない

「Claude Codeより何でもできる」ではなく、「機械学習の事後学習に特化した道具が、その分野で汎用エージェントより良い結果を出した例がある」と読むのが妥当です。

ml-intern vs Claude Code vs OpenAI Codex：使い分け表

ML InternとClaude Code・OpenAI Codexは、同じ「AIエージェント」でも任せる仕事が違います。ML Internはモデルを学習させて公開するまで、Claude CodeとCodexはソフトウェアのコードを書いて直す作業が得意分野です。

Claude CodeとCodexの料金・機能の詳細は、Claude CodeとはとOpenAI Codexとはで整理しています。

選び方の目安

両方を使う場面もあります。ML Internで小さく試して手応えを確かめ、本番の学習パイプラインはClaude Codeで自社環境向けに作り直す、という分担です。コーディングエージェント同士の比較はCursor vs Claude CodeとClaude Code vs GitHub Copilotで比べています。

ml-internの料金とコスト構造

ML Internには専用の料金プランがありません。かかるのは「モデルとの会話の代金」と「学習・評価に使う計算の代金」の2つで、どちらも使った分だけ払う仕組みです。

出典: Hugging Face 料金ページ

Hugging Faceのプラン

Jobsは、クレジットの残高があればPROでなくても使えます。毎月のクレジット$2はすぐに使い切る額なので、実際に学習を回すならクレジットの購入が前提になります。

Jobsの主な時間単価

（Hugging Face公式のJobsガイドより。2026年10月17日確認）

Spacesの料金表ではCPU Basicが無料ですが、Jobsではcpu-basicでも1時間$0.01かかります。

計算予算の仕組みと、予算の外にかかる費用

ML Internの会話には、それぞれ計算予算があります。初期値は$0で、予算を決めるまでジョブを一つも起動しません。 予算は入力欄の上のステータスバーから設定します。

ジョブを起動するときは「ハードウェアの単価×ジョブの制限時間」の最大額をいったん確保し、終わったら実際にかかった額で精算します。たとえば1時間$2.50のA100で制限時間2時間のジョブなら、起動時に$5が確保されます。

ただし、計算予算は総額の上限ではありません。公式ドキュメントによると、次の費用は予算の対象外です。

• モデルとの会話（推論）の代金
• ジョブがさらに起動したもの
• ML Intern以外のHugging Face製品の利用

アカウント全体の上限はクレジットの残高で、残高がなくなるとジョブは止まります。組織で使うなら、リソースグループに支出上限を設定しておくと安心です。公式ブログでは、依頼文に「合計の支出は12ドルまで。超える前に確認して」のように上限を書く方法も紹介されています。

実際の費用感

公式ブログの作例6件では、計算費用は1件$1.90〜$37、合計で約$103でした（推論代は別）。作例の中には、パッケージ不足やパスの誤りでジョブが何度も失敗し、48回・59回とジョブを起動したものもあります。失敗したジョブにも料金はかかるので、最初は小さな予算で試し、うまく回ることを確かめてから広げるのが安全です。

Claude Codeの料金と比べたい人は、Claudeの料金プランで最新の金額を確認できます。

ml-internの使い方・セットアップ

HuggingChat版はインストールが要りません。Hugging Faceアカウントでログインし、5つの手順を踏めば使い始められます。

出典: Hugging Face 公式サイト

事前に用意するもの

• Hugging Faceアカウント（huggingface.co で無料登録）
• 計算用のクレジット（個人で購入するか、組織のクレジットを使う）

手順1：HuggingChatを開いてML Internをオンにする

huggingface.co/chat にログインし、新しい会話で入力欄の下にある「ML Intern」スイッチをオンにします。huggingface.co/chat/?mode=ml-intern を開けば、最初からオンの状態で始まります。

モードは会話ごとに決まり、最初のメッセージを送った後は切り替えられません。ML Internを使うときは、スイッチをオンにした新しい会話を始めてください。

手順2：MCP設定でHubのツールを有効にする

ML InternはHugging FaceのMCPサーバーを通じてHubを操作し、MCP設定でオンにしたツールしか使えません。公式は「すべて有効にする」ことを勧めています。業務用のアカウントで使う場合は、どのツールが何をするかを確かめたうえで判断してください。

手順3：支払い先を選ぶ

初期設定では、ジョブとサンドボックスの代金は個人アカウントに請求されます。組織のクレジットで払う場合は、組織に参加したうえで、HuggingChatの「Settings → Application → Billing」で組織（またはリソースグループ）を選びます。この設定は推論とジョブ・サンドボックスの両方に適用されます。

ただし、ML Internが作ったSpace、ダッシュボード、リポジトリは、支払い先を組織にしても常に個人アカウント側に作られます。

手順4：作業を具体的に頼む

やってほしいことを、できるだけ具体的に書きます。@ でモデルやデータセットのIDを指定し、論文はURLを貼ります。公式ドキュメントの例を日本語にすると、次のような頼み方です。

• 「（論文のURL）の手法を小さな規模で再現して、結果が論文とずれた点を報告して」
• 「@モデルID を @データセットID でファインチューニングして、チェックポイントを評価して」
• 「@モデルID のGradioデモをSpaceとして作って」
• 「関数呼び出し用の合成データセットを作ってHubに公開して」

日本語で頼んだときの公式な作例や評価はまだ公開されていません。思った結果にならないときは、英語で書き直すのも一つの手です。

手順5：計算予算を決める

会話が始まると、入力欄の上のステータスバーに予算が表示されます。クリックして金額を入れると、その範囲でジョブを起動できるようになります。予算を指定しないで頼むと、作業の規模に合わせた予算案を出して選ばせてくれます。

作業中は、Resourcesパネルで作られたジョブやリポジトリを確認し、Trackioのダッシュボードで学習の進み具合を見られます。途中で失敗したらResumeで続きから再開できます。

自分のサーバーで動かしたい場合

ML InternはChat UIの一部なので、セルフホストもできます。公式の手順（Running Chat UI with ML Intern locally）では、Node.js 20以上、Hugging FaceのOAuthアプリ、ML_ASSISTANT_MODE=true（ビルド時の設定）、ML_ASSISTANT_MODELS（使うモデルとプロバイダー）を用意します。ジョブやHubの操作はHugging Face側で動くため、セルフホストしても「すべて社内で完結」にはなりません。

エージェントを自社で組み立てたい人は、AIエージェントのフレームワーク比較も参考になります。

ml-internの強み

ML Internの強みは、機械学習の作業に必要な「データ・計算・公開先」が最初からつながっている点です。

1. 学習から公開まで一つの会話で進む

論文やデータを調べ、スクリプトを書き、GPUで学習させ、評価して、Spaceで公開するまでを一つの会話の中で進められます。汎用のエージェントでは、GPUや公開先を自分で用意する必要があります。

2. インストールやAPIキーの管理がいらない

旧CLI版では複数のAPIキーと実行環境が必要でしたが、HuggingChat版はログインするだけで使えます。手元にGPUがなくても始められます。

3. 使いすぎを防ぐ仕組みがある

計算予算の初期値が$0で、起動時に最大額を確保してから実行するため、気づかないうちに高額なジョブが走り続ける事態を防ぎやすくなっています。

4. 作業の記録が残る

スクリプトは版ごとに保存され、どの版をどのジョブで動かしたかがResourcesパネルで追えます。後から結果を確かめ直したり、同僚に共有したりしやすい作りです。

5. 小さな実験なら安く試せる

公式の作例では、2B級のモデルのファインチューニングが計算費用$1.90で済んだ例があります。アイデアを小さく試す段階では、GPUを自前で用意するより手軽です。

ml-internの弱み・制約

ML Internは何でも任せられる道具ではありません。導入前に知っておきたい制約は次のとおりです。

1. 汎用のソフトウェア開発には向かない

Webアプリの開発や既存のコードベースの改修は想定外です。こうした作業はClaude CodeやCursorのほうが向いています。

2. 計算予算は総額の上限ではない

予算で止められるのはML Internが起動したジョブとサンドボックスの代金だけで、推論代は予算の外です。請求額を管理したいなら、クレジット残高や組織の支出上限も合わせて設定する必要があります。

3. 失敗したジョブにも料金がかかる

パッケージの不足やパスの誤りでジョブが何度も失敗する例が、公式の作例にもあります。最初の数回は失敗を見込んだ予算を組んでおきましょう。

4. 本番のモデル名が公開されていない

HuggingChat版で動いているモデルと、利用者がモデルを選べるかどうかは、公式ドキュメントでは確認できません。社内の規程で使えるモデルが決まっている会社では、確認が必要です。

5. 日本語での実績が公開されていない

公式の作例とベンチマークは英語のタスクが中心です。日本語のデータでの学習や、日本語での頼み方についての公式な情報はまだありません。

6. 大規模な事前学習の例はない

公式の用途例と作例は、ファインチューニング、LoRA、蒸留、評価が中心です。ゼロから大きなモデルを学習させたい場合は、別の基盤を検討してください。

Hugging Faceエコシステムとの関係

ML Internは単独のツールというより、Hugging Faceのサービスを組み合わせて動く「まとめ役」です。どのサービスが何を担っているかを知っておくと、費用や権限の管理がしやすくなります。

出典: HuggingChat 公式サイト

Hugging Faceの最近の動き

2026年9月には、NVIDIAがHugging Faceを約129億ドルで買収することで合意したと報じられました（Semafor ほか）。報道によると、NVIDIAのJensen Huang氏は「プラットフォームはオープンなままにし、NVIDIAのGPUを必須にはしない」と述べています。ML Internの今後への影響は、現時点ではわかっていません。8月時点の売却交渉の報道はHugging Faceの売却交渉に関する記事で扱っています。

ml-internがおすすめな人・おすすめしない人

ML Internは「モデルを作って試したい人」には便利で、「コードを書く作業を楽にしたい人」には合わない道具です。

こんな人におすすめ

おすすめしない人

商用利用・セキュリティ上の注意点

会社で使うときは、ML Internが「ログインした人の権限で、その人のアカウントに書き込む」点がいちばん大事です。ジョブの起動、リポジトリの作成、Hubへの公開まで、すべて利用者本人の権限で行われます。

1. ライセンスと利用条件

アーカイブされた旧CLIのコードは、GitHub上でApache-2.0ライセンスとして公開されています。一方、HuggingChat版はWebサービスとして使う形なので、OSSのライセンスよりも、Hugging Faceのサービス利用規約や組織の契約条件を確認することが大切です。作ったモデルを商用で使う場合は、元にしたベースモデルとデータセットのライセンスもそれぞれ確認してください。

2. 成果物の置き場所と公開範囲

組織のクレジットで払っても、ML Internが作ったSpace、ダッシュボード、リポジトリは個人アカウント側に作られます。会社の資産として管理するなら、作業後に組織へ移す手順を決めておく必要があります。HuggingChat版で作られるリポジトリの既定の公開範囲は公式ドキュメントで確認できなかったため、作業のたびに公開・非公開を確かめてください。

3. ツールの権限とトークンの扱い

MCP設定で有効にしたツールは、ML Internが自由に使えます。公式は「すべて有効」を勧めていますが、業務アカウントでは必要な範囲を見極めてください。Hugging Faceでは2026年7月に、OpenAIのモデルを使ったエージェントが本番環境に侵入する事案があり、認証情報の入れ替えが行われています（詳細はOpenAIのAIエージェントによるHugging Face侵入の経緯）。使っていないアクセストークンは削除し、権限は必要最小限にしておきましょう。

4. 機密データを入れる前の確認

学習データをアップロードすると、Hugging Faceの環境で処理されます。HuggingChat版での会話データの扱いは公式ドキュメントでは確認できなかったため、個人情報や機密情報を含むデータは、社内の規程と契約条件を確かめてから使ってください。

5. 外部の資料に仕込まれた指示

ML Internは論文やWebの資料を自分で読みに行きます。資料の中に悪意のある指示が仕込まれていると、エージェントがそれに従ってしまうおそれ（プロンプトインジェクション）はゼロではありません。予算を小さく保ち、重要な操作の前に確認を求められたら中身を読んでから進めるのが基本の対策です。AIエージェント全般の対策はAIエージェントのセキュリティ対策ガイドにまとめています。

6. 旧CLIの自動アップロードに注意

旧CLIは、すべてのセッションの記録を自分の非公開データセット {ユーザー名}/ml-intern-sessions に自動でアップロードしていました（設定の share_traces: false で止められます）。旧CLIを使っていた人は、このデータセットに機密情報が残っていないかを確認し、不要なら削除しておくと安心です。

ML Internで作ったモデルを実際の業務で使うには、社内のシステムから呼び出せる形にする作業が別に必要になります。進め方と費用の目安は既存システムにAIを組み込む方法で整理しています。

よくある質問

Q1. 旧CLIの ml-intern コマンドはまだ使えますか？

PyPIに ml-intern 0.1.0 が残っているので、インストールはできます。ただし、2026年9月に廃止され、サポート・バグ修正・セキュリティ更新はないと開発元が明記しています。これから使うならHuggingChat版を選ぶのが無難です。

Q2. お金をかけずに試せますか？

ML Intern自体に利用料はありませんが、モデルとの会話には推論代が、学習には計算代がかかります。Freeプランには毎月のクレジットがないため、実際に動かすにはクレジットの購入か、PRO（月$9、毎月$2のクレジット付き）が必要です。無料のままで学習まで回すことはできないと考えておきましょう。

Q3. 機械学習の知識がなくても使えますか？

頼み方は日常の文章で構いませんし、計画や手順はML Internが考えてくれます。ただし、結果の良し悪しを判断したり、予算の妥当性を見極めたりするには、ファインチューニングや評価指標の基本的な知識があったほうが安全です。最初は公式の作例をなぞって小さく試すのがおすすめです。

Q4. 会社のクレジットで支払えますか？

支払えます。会社のHugging Face組織に参加し、HuggingChatの「Settings → Application → Billing」で組織かリソースグループを選びます。推論代とジョブ代の両方が組織に請求されますが、作られるリポジトリやSpaceは個人アカウントに作られる点は変わりません。

Q5. 作ったモデルを商用で使ってもよいですか？

ML Internで作ったこと自体による制限は、公式には示されていません。ただし、元にしたベースモデルとデータセットにはそれぞれライセンスがあり、商用利用を禁じているものもあります。公開する前に、使ったモデルとデータのライセンスを一つずつ確かめてください。

Q6. Claude Codeに学習スクリプトを書かせるのと何が違いますか？

Claude Codeでも学習スクリプトは書けますが、GPUの手配や実行、公開先の準備は自分で行います。ML InternはHugging FaceのGPUとHubが最初からつながっていて、実行・監視・公開まで同じ会話の中で進む点が違います。自社のGPU環境で長く使う学習基盤を作るならClaude Code、まず小さく試すならML Intern、という分け方が考えやすいでしょう。

まとめ：ml-internはどんな立ち位置のツールか

• ML Internは、Hugging Faceが作った機械学習向けのAIエージェントで、論文調査から学習・評価・公開までを任せられる
• 2026年9月にCLIとWebアプリは廃止され、現在はHuggingChatの「ML Intern」モードとして使う。旧CLIにはセキュリティ更新がない
• 専用の料金プランはなく、推論代（Inference Providers）と計算代（Jobs・サンドボックス）の従量課金。公式作例の計算費用は1件$1.90〜$37
• 計算予算は初期値$0で、推論代は予算の対象外。クレジット残高や組織の支出上限と組み合わせて管理する
• 「Claude Codeを超えた」は、2026年4月の事後学習の課題（GPQA）での開発元の比較で、第三者の検証は公表されていない。汎用のコーディングではClaude CodeやCodexが向いている
• 会社で使うなら、成果物が個人アカウントに作られる点、ツールの権限、データの扱いを先に確認する

ML Internは、汎用のAIエージェントでは手間のかかる「GPUで学習させて公開する」作業を、ブラウザだけで進められるようにした道具です。コーディングを任せるClaude Codeとは競合ではなく、役割を分けて使うのが現実的です。AIエージェントの全体像はAIエージェントとは、生成AIの基本は生成AIとはで解説しています。

主要出典

• Hugging Face公式ドキュメント: Getting started with ML Intern
• Hugging Face公式ドキュメント: Running Chat UI with ML Intern locally
• Hugging Face公式ブログ（2026年10月8日）: The model that didn't exist, so you made it yourself
• huggingface/ml-intern（GitHub、2026年9月29日アーカイブ）
• CLI廃止のプルリクエスト #367（GitHub）
• Hugging Face 料金ページ
• Hugging Face公式ドキュメント: Inference Providers の料金
• Hugging Face公式ドキュメント: Jobs ガイド（ハードウェア単価）
• EdTech Innovation Hub: ローンチ時のベンチマーク報道（2026年4月23日）
• Claude 料金ページ（Anthropic）