Codex 正在推动开源 AI 模型训练与发布，这是否意味着在AI领域将迎来新机遇？

继我们使用 Claude Code 训练开源模型的项目之后，现在我们更进一步，将 Codex 引入这一流程。这里的重点不是“Codex 自己开源模型”，而是让 Codex 作为编码代理，参与并自动化开源模型的训练、评估与发布全流程。为此，我们为 Codex 接入了 Hugging Face Skills 仓库，该仓库包含了许多与机器学习和 AI 相关的“技能”，比如模型训练与评估等任务。通过 HF Skills，Codex 这样的编码代理可以实现： 对语言模型进行微调和强化学习（RL）对齐训练 查看、解释并基于 Trackio 的实时训练指标做出操作 评估模型检查点并根据评估结果作出决策 生成实验报告 将模型导出为 GGUF 格式，方便本地部署 将模型发布到 Hugging Face Hub 本教程将更深入地介绍它的工作原理，并手把手教你如何使用。我们开始吧！ Codex 使用 AGENTS.md 文件来完成特定任务，而 Claude Code 使用的是 “Skills”。幸运的是，“HF Skills” 兼容这两种方式，并可与 Claude Code、Codex 或 Gemini CLI 等主要编码代理配合使用。 例如，使用 HF Skills，你可以对 Codex 下达如下指令： Fine-tune Qwen3-0.6B on the dataset open-r1/codeforces-cots Codex 将自动执行以下步骤： 验证数据集格式 选择合适的硬件（比如 0.6B 模型使用 t4-small） 使用并更新带有 Trackio 监控的训练脚本 将任务提交到 Hugging Face Jobs 返回任务 ID 和预估费用 根据请求查看训练进度 如遇问题，协助你进行调试 模型会在 Hugging Face 提供的 GPU 上训练，你可以同时做其他事情。训练完成后，你的微调模型将自动发布到 Hub，可立即使用。 这不仅仅是一个演示工具。这套扩展系统支持生产级的训练方法，有监督微调（SFT）、直接偏好优化（DPO）和带有可验证奖励的强化学习（RL）。你可以训练 0.5B 到 7B 参数规模的模型，将它们转换为 GGUF 格式便于本地运行，还可以通过多阶段流程结合不同方法。 目标：端到端的机器学习实验 我们在 Claude Code 教程中探索过单条指令的方式。而现在，我们可以让 OpenAI Codex 实现完整的端到端机器学习实验。Codex 能够： 实时监控进度 评估模型效果 维护最新训练报告 工程师可以将实验任务交由 Codex 自动执行，而自己只需查看最终报告即可。同时，Codex 还能根据训练与评估结果自动做出更多决策。 我们开始动手吧！ 环境准备与安装 在开始之前，你需要： 一个 Hugging Face 账户，并开通 Pro 或 Team / Enterprise 付费计划（Jobs 需付费） 一个拥有写权限的 token（在 huggingface.co/settings/tokens 生成） 安装并配置好 Codex 安装 Codex Codex 是 OpenAI 推出的 AI 编码代理，包含在 ChatGPT Plus、Pro、Business、Edu 和 Enterprise 等计划中。它可以将 AI 能力直接融入你的开发流程。 参见 Codex 官方文档 获取安装与配置说明。 安装 Hugging Face Skills Hugging Face Skills 仓库中包含 AGENTS.md 文件，Codex 会自动识别并使用它。 克隆仓库： git clone https://github.com/huggingface/skills.git cd skills Codex 会自动检测到 AGENTS.md 文件，并加载相应的技能。你可以通过以下指令确认技能已加载： codex --ask-for-approval never "Summarize the current instructions." 详细信息请参考 Codex AGENTS 指南。 连接 Hugging Face 使用以下命令并输入写权限 token 来进行认证： hf auth login Codex 支持 MCP（模型上下文协议），你可以在配置文件中添加 Hugging Face 的 MCP 服务，提升与 Hub 的集成体验。