Der Reddit-Nutzer Everlier beschreibt, wie er mit dem agentenbasierten ML-Tool ml-intern und DeepSeek v4 Flash als Backend-LLM einen spezialisierten Prompt-Injection-Detektor trainierte. Der Agent verwendete OpenRouter als API-Endpunkt und fand eigenständig die HuggingFace-Datasets deepset/prompt-injections sowie Shomi28/prompt-injection-dataset. In einer ersten Version (v1) erreichte ein DistilBERT-Modell nach Parametersuche einen F1-Score von 95,87 %. Für v2 wurde ein größeres synthetisches Dataset von Bordair genutzt, was den Score auf 99 % steigerte. Das finale Modell ist als ONNX int8 quantisiert, rund 65 MB groß und läuft direkt im Browser über Transformers.js v3. Ein Versuch mit der HRM-Text-Architektur scheiterte: Der Agent wählte falsche Optimierer-Parameter, was zu explodierenden Gradienten führte – trotz 20 USD Ausgaben für HF-Remote-Training auf einer T4-GPU. Gesamtkosten für alle Agenten-Runs: unter 5 USD via DeepSeek v4 Flash. Der Autor weist selbst auf die Schwäche des synthetischen Datensatzes hin, bei dem Train- und Test-Splits möglicherweise zu ähnlich sind.