Hugging Face

Hugging Face ist ein KI-Unternehmen und eine Open-Source-Community. Der Hub ist ein zentraler Ort, an dem du Modelle für maschinelles Lernen, Datensätze und Demo-Anwendungen veröffentlichen, finden und herunterladen kannst. Im Oktober 2026 listet der Hub mehr als 3.1 Millionen Modelle und 1 Million Datensätze – von großen Sprachmodellen (LLMs) und Vision-Transformern bis hin zu Sprache, Robotik und Checkpoints für die Objekterkennung. Das Unternehmen pflegt außerdem weit verbreitete Open-Source-Bibliotheken, allen voran Transformers.

Clément Delangue, Julien Chaumond und Thomas Wolf gründeten das Unternehmen 2016 in New York als Chatbot-App für Jugendliche. Der Name leitet sich vom Emoji mit dem umarmenden Gesicht ab. Der im November 2018 veröffentlichte PyTorch-Port von Googles BERT entwickelte sich zu Transformers, als das Unternehmen sich vom Chatbot abwandte und Open-Source-Werkzeuge entwickelte. Im September 2026 vereinbarte NVIDIA die Übernahme von Hugging Face für rund 12.9 Milliarden US-Dollar. Der Abschluss wird vorbehaltlich der behördlichen Genehmigung für die erste Jahreshälfte 2027 erwartet. Hugging Face soll seine Marke als offene Plattform behalten.

Der Hub#

Jedes Modell, jeder Datensatz und jeder Space auf dem Hub ist ein Git-Repository mit vollständigem Versionsverlauf. Große Dateien wie Gewichte werden von Xet gespeichert, dem Speichersystem von Hugging Face. Xet entfernt doppelte Daten in Blöcken, sodass beim Hochladen eines geänderten Checkpoints nur die geänderten Blöcke übertragen werden. Auf dem Hub gibt es drei Arten von Repositorys:

• Modelle: Modellgewichte, Konfigurationsdateien und eine Modellkarte – eine README-Datei, deren Metadaten Lizenz, Trainingsdaten, Evaluierungsergebnisse und Einschränkungen dokumentieren. Viele Repositorys speichern Gewichte im Format safetensors, das ohne Ausführung von Code geladen wird. Bei zugangsbeschränkten Repositorys müssen Nutzer vor dem Download den Nutzungsbedingungen des Eigentümers zustimmen.
• Datensätze: Datendateien mit einer Datensatzkarte und einer Ansicht im Browser. Die Bibliothek datasets lädt sie über Apache Arrow und kann auch Datensätze streamen, die zu groß zum Herunterladen sind.
• Spaces: Gehostete Demo-Anwendungen, die mit Gradio, Docker oder statischem HTML erstellt werden und oft der schnellste Weg sind, ein neues Modell im Browser auszuprobieren.

Inference Providers leiten API-Anfragen für Modelle auf dem Hub an Partner-serverlose Anbieter weiter. Inference Endpoints stellen ein Modell bereit und führen es auf dedizierter Hardware aus. Ein typisches Projekt durchläuft auf dem Hub die folgenden Schritte:

Open-Source-Bibliotheken#

• Transformers: Modelldefinitionen und vortrainierte Gewichte für Text-, Bild-, Audio- und multimodale Aufgaben über eine gemeinsame API. Dazu gehört die Funktion pipeline, mit der sich eine Aufgabe in wenigen Zeilen ausführen lässt. Die Bibliothek ist mittlerweile in ihrer fünften Hauptversion.
• Diffusers: Pipelines für Diffusionsmodelle, die Bilder, Videos und Audio erzeugen.
• Datasets und Tokenizers: Schnelles Laden und Verarbeiten von Daten sowie schnelle Rust-Implementierungen der Tokenisierungsverfahren, die Modelle verwenden.
• PEFT und TRL: Verfahren zur parametereffizienten Feinabstimmung wie LoRA sowie Nachtrainingsverfahren wie direkte Präferenzoptimierung zur Ausrichtung von Sprachmodellen.
• timm, LeRobot und smolagents: Bildmodelle für PyTorch, Datensätze und Richtlinien für das Roboterlernen sowie leichtgewichtige KI-Agenten.

Modelle vom Hub herunterladen#

Die Bibliothek huggingface_hub lädt beliebige Dateien aus einem Repository herunter und speichert sie lokal zwischen, sodass spätere Aufrufe die zwischengespeicherte Kopie verwenden. Ultralytics veröffentlicht YOLO26-Checkpoints im Repository Ultralytics/YOLO26: alle fünf Größen für Erkennung, Segmentierung, Klassifizierung, Posenschätzung und orientierte Boxen:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# YOLO26n-Gewichte aus dem Ultralytics-Repository auf dem Hub herunterladen (nach dem ersten Aufruf zwischengespeichert)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Den heruntergeladenen Checkpoint laden und eine Detektion ausführen
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download gibt den Pfad von yolo26n.pt im lokalen Hugging-Face-Cache zurück. Das gespeicherte Bild zeigt die YOLO26n-Erkennungen auf dem Busfoto.

Hugging Face im Vergleich zu verwandten Plattformen#

• GitHub: Beherbergt Quellcode in Git-Repositories. Auch der Hugging Face Hub nutzt Git und bietet zusätzlich, was für Artefakte des maschinellen Lernens benötigt wird: Speicherplatz für mehrere Gigabyte große Gewichtungen, Modell- und Datensatzkarten, Datensatzansichten und gehostete Inferenz.
• Modellkataloge: Frameworkspezifische Sammlungen wie PyTorch Hub laden Modelle über eine Bibliothek, während der Hub Modelle aus vielen Bibliotheken bereitstellt, die jeweils mit der Bibliothek gekennzeichnet sind, über die sie geladen werden.
• Modellregister: Private Kataloge, die Modellversionen, Entwicklungsphasen und Bereitstellungsfreigaben eines Teams nachverfolgen, meist innerhalb einer MLOps-Plattform.

Anwendungen in der Praxis#

• Open-Modelle feinabstimmen: Teams laden LLMs mit offenen Gewichtungen herunter, passen sie mit LoRA an und übertragen die kleinen Adapterdateien zurück zum Hub, statt vollständige Modellkopien hochzuladen.
• Reproduzierbare Forschung: Fachartikel veröffentlichen ihre Gewichtungen und Datensätze auf dem Hub, und die Artikelseiten von Hugging Face verknüpfen jeden Artikel mit den Modellen, Datensätzen und Spaces, die ihn verwenden.
• Offene Trainingsdaten: FineWeb, ein Hugging-Face-Datensatz mit bereinigten und deduplizierten englischen Webtexten aus Common Crawl, ist seit seiner Veröffentlichung von 15 Billionen auf mehr als 18,5 Billionen Token angewachsen.