> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Codex + HF Skills = 微调自动化
- URL: https://www.hubwiz.com/blog/codex-hf-skills-automated-fine-tuning/
- Published: 2025-12-19T01:46:48.000Z
- Updated: 2025-12-19T01:47:57.000Z
- Description: OpenAI Codex现在可以使用简单的指令来训练、评估、监控和发布模型。无需编写冗长的脚本，无需复制粘贴配置文件，也无需管理 GPU 任务。
- Author: admin
- Tags: AGENT, CLAUDE SKILLS, OPENAI CODEX, #Import 2026-10-14 14:41

如果您曾经在 Hugging Face 上微调过模型，您肯定知道流程：准备数据集、修复格式错误、配置训练脚本、提交任务、监控进度，然后评估并发布结果。

它功能强大，但也令人疲惫。

现在想象一下，将整个工作流程交给 AI 代理，让它为你运行实验，而你可以专注于真正重要的工作。

这正是全新 Codex + Hugging Face Skills 集成所带来的效果。

OpenAI 的 Codex（与 ChatGPT Plus、Pro、Business、Edu 和 Enterprise 版本集成的编码代理相同）现在可以使用简单的指令来训练、评估、监控和发布模型。无需编写冗长的脚本，无需复制粘贴配置文件，也无需管理 GPU 任务。

让我们来分析一下这个新工作流程包含哪些内容，以及如何仅使用一条命令即可执行全面的端到端机器学习实验。

## 1、Codex 现已支持 Hugging Face Skills

Hugging Face 近期推出了 HF-skills，这是一个包含现成机器学习工作流程“技能”的库。这些技能与 Claude Code、Gemini CLI 以及现在的 OpenAI Codex 兼容。

Codex 一旦检测到 AGENTS.md 文件（包含在 HF-skills 代码库中），就会自动加载以下功能：

- 微调语言模型并进行强化学习 (RL) 对齐
- 使用 Trackio 监控训练指标
- 使用 HumanEval 或其他基准测试评估检查点
- 生成实验报告
- 将模型转换为 GGUF 格式并发布到 Hub

这不是演示。Codex 采用与生产工程师相同的训练方法。

- SFT（监督式微调）
- DPO（直接偏好优化）
- RL（带有可验证奖励的强化学习）

支持高达 70 亿参数的模型。

## 2、设置：所需条件

开始之前：

- Hugging Face Pro 或 Team 套餐
- 写入权限令牌
- 已安装并配置的 Codex
- 已克隆到本地的 Hugging Face Skills 代码库

复制以下命令：

```
git clone https://github.com/huggingface/skills.git
cd skills
```

登录：

```
hf auth login
```

在此目录下运行 Codex 后，它会自动检测技能指令。

## 3、你的第一个 AI 驱动实验

假设您想在 open-r1/codeforces-cots 数据集上微调 Qwen3-0.6B，以提高其编程问题解决能力。

在您的项目目录中启动 Codex，并输入以下命令：

> “使用 SFT 开始一个新的微调实验。使用 open-r1/codeforces-cots 数据集，使用 HumanEval 进行评估，并维护一份训练报告。”

Codex 的后续操作如下：

- 验证数据集
- 选择硬件（例如，t4-small）
- 创建训练配置
- 设置 Trackio 监控
- 准备评估任务
- 生成 Markdown 格式的训练报告
- 提交前征求您的批准

所有这些操作均自动完成。

## 4、数据集验证自动完成

数据集格式化是机器学习工作流程中最繁琐的部分之一。Codex 会提前进行验证。

```
Dataset validation for open-r1/codeforces-cots:

SFT: ✓ READY  
DPO: ✗ INCOMPATIBLE (missing chosen/rejected)
```

如果数据集不适合某种方法，Codex 可以进行预处理：

> “预处理数据集，添加 good\_response 和 bad\_response 列。”

Codex 重写数据集并更新配置。

仅此一项即可节省数小时。

## 5、Codex 会在运行前显示计划

在提交任何任务之前，Codex 会提供清晰的概要信息：

```
Hardware: t4-small (~$0.75/hour)
Estimated time: ~20 minutes
Estimated cost: ~$0.30
Output: username/qwen3-codeforces-cots-sft
Submit? (yes/no)
```

您可以调整任何内容：

- 更改模型
- 选择新的硬件
- 先运行 100 个测试样本

您的工作流程将变得更加轻松自然，不再令人倍感压力。

## 6、实时进度跟踪及报告

Codex 会生成并维护一份 Markdown 格式的报告，路径如下：

```
training_reports/<model>-<dataset>-<method>.md

```

训练开始时，报告标题会自动更新：

```
# base-humaneval-a10g — 2025-12-09 13:47 UTC — In Progress
```

它还会添加运行日志的链接：

- Hugging Face 作业日志
- Trackio 训练仪表盘

Codex 可随时根据您的请求提供最新指标的摘要。

## 7、综合评估结果

作业完成后，Codex 会更新一个综合评估表：

| Run                 | Benchmark        | Score | Logs | Model                 |
| ------------------- | ---------------- | ----- | ---- | --------------------- |
| base-humaneval-a10g | HumanEval pass@1 | 0.304 | link | Qwen/Qwen3-0.6B       |
| qwen3-0.6b-lora-v1  | HumanEval pass@1 | 0.342 | link | your fine-tuned model |

您可以立即查看您的模型是否优于基础模型。

## 8、使用您的模型

训练完成后，您的模型将出现在 Hub 上。您可以像使用其他模型一样使用它：

```
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("username/qwen3-codeforces-cots-sft")
tokenizer = AutoTokenizer.from_pretrained("username/qwen3-codeforces-cots-sft")
```

是的，Codex 可以将其转换为 GGUF：

> “使用 Q4\_K\_M 量化将我的微调模型转换为 GGUF。”

然后您就可以在本地运行它了：

```
llama-server -hf username/model-name:Q4_K_M
```

## 9、硬件和成本：Codex 自动选择

Codex 会智能地选择硬件：

10 亿参数以下

- t4-small
- 每次完整运行 1-2 美元

10 亿至 30 亿参数

- t4-medium 或 a10g-small
- 5-15 美元

30 亿至 70 亿参数

- a10g-large 或 a100-large（带 LoRa）

除非您手动指定，否则 Codex 会选择最便宜的可用 GPU。

## 10、这改变了机器学习工程师的工作方式

现在您可以提出以下问题：

- “哪个模型编码准确率最高？”
- “尝试 SFT + DPO + RL 并比较结果。”
- “运行多个实验并更新报告。”

Codex 管理一切：训练、监控、评估、报告和部署。

这才是真正的自主实验。

## 11、结束语

我们正在进入一个全新的时代：

- 您只需描述实验内容
- 智能体即可构建并执行实验
- 您像管理者一样审核结果
- 无需底层配置或脚本

Codex + Hugging Face Skills 将机器学习工作流程转化为对话。

如果您一直渴望尝试训练自己的模型——这是迄今为止最简单、最可靠的起点。

---

原文链接：[**O**penAI Codex Can Now Run End-to-End Machine Learning Experiments — Automatically](https://medium.com/coding-nexus/openai-codex-can-now-run-end-to-end-machine-learning-experiments-automatically-6ac1715456e2?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处