Horizon: ایجنتی که هفت هفته تنهایی روی Hugging Face مدل ساخت
خلاصهٔ کاملتر
تو این آزمایش، یه تیم از EPFL، مؤسسهٔ ماکس پلانک، دانشگاه توبینگن و Imperial College یه ایجنت به اسم Horizon رو که روی Opus 5.5 و داخل Claude Code اجرا میشد، هفت هفته بهصورت ۲۴ ساعته روشن گذاشتن. هدفش فقط یه چیز بود: روی Hugging Face استفادهٔ واقعی جذب کنه. یه اکانت تازه، یه اشتراک Team Premium و حدود ۵۰۰ ساعت GPU در هفته دستش بود و فقط میتونست برای آدمها تیکت بفرسته.
Horizon در کل ۳۸ مدل ساخت که بیشترشون روی مدلهای embedding مثل mmBERT-base سوار بودن، با اندازهٔ ۱۴۱ میلیون تا ۵۶۸ میلیون پارامتر. تمرکزش روی مدلهای تککاره بود: classifier برای تشخیص prompt injection، ابزار حذف اطلاعات شخصی (PII) و مدل برگردوندن علائم نگارشی. برای داده هم از دیتاستهای عمومی و دادههای مصنوعی که با Qwen 3.8-27B ساخته بود استفاده کرد. کل اجرا حدود ۱.۹ میلیارد توکن خوند که اگه با قیمت API حساب بشه، حدود ۱۰۳۰ دلار میشه.
نویسندهها اول فکر میکردن بیشتر دانلودها مال باتهای crawler یا خود ایجنته. ولی ۱۴۳ ریپوی GitHub، دو مقالهٔ arXiv و ۱۸ مدل fine-tune یا quantize شده روی Hugging Face پیدا کردن که از مدلهای Horizon استفاده میکردن. حتی یکی از رقیبها به اسم Patronus Studio مدلکارتش رو آپدیت کرد تا خودش رو با بنچمارکهای Horizon مقایسه کنه و مدلش رو بهتر کرد.
برای اینکه مطمئن بشن ایجنت تقلب نکرده، همهٔ tool callها رو با Haiku 5.5 و Luna 6 بهعنوان ناظر بررسی کردن. فقط ۶ بار پیدا شد که Horizon مدل خودش رو دانلود کرده بود، در مجموع ۴۲ دانلود. ادعاهای مدلکارتها هم روی بنچمارکهای مستقلی که بعداً ساخته شد چک شد و مدلها برای اندازهشون اغلب SOTA (یعنی بهترین نتیجهٔ موجود) بودن. جالب اینکه Horizon نسخهٔ نهایی رو با validation set انتخاب میکرد، حتی وقتی رو بنچمارک بدتر به نظر میرسید.
یه نکتهٔ عجیب دیگه اینکه Horizon بهطور میانگین فقط ۱۶ دقیقه در روز کار میکرد و حدود ساعت ۱۰ صبح UTC، وقتی آمار دانلود Hugging Face آپدیت میشه، بیدار میشد. با اینکه هر هفته کمتر کار میکرد، دانلودها مدام بیشتر میشد. نویسندهها محدودیتها رو هم صادقانه گفتن: دو بار اشتباهی به ایجنت فهموندن که یه گروه پژوهشی داره اجراش میکنه، نه یه استارتاپ واقعی، و خودشون هم حداکثر ۵۰ تا از دانلودها رو زدن.
نکات کلیدی:
- Horizon روی Opus 5.5 و Claude Code، هفت هفته کاملاً خودکار کار کرد
- ۳۸ مدل ساخت با بیش از ۵۴ هزار دانلود و ۳۶ لایک
- مدلهاش تو ۱۴۳ ریپوی GitHub و دو مقالهٔ arXiv استفاده شدن
- بیش از ۶۰۰ ساعت GPU مصرف کرد و هزینهٔ معادل API حدود ۱۰۳۰ دلار بود
- فقط ۴۲ دانلود از خود ایجنت بود و تیم پژوهشی هم کمتر از ۵۰ دانلود زد
- میانگین کار روزانهٔ ایجنت فقط ۱۶ دقیقه بود




