Hugging Face

Hugging Face es una empresa de IA y una comunidad de código abierto cuyo Hub es un lugar central para publicar, encontrar y descargar modelos de aprendizaje automático, conjuntos de datos y aplicaciones de demostración. En octubre de 2026, el Hub incluye más de 3,1 millones de modelos y 1 millón de conjuntos de datos, desde modelos de lenguaje grandes (LLM) y transformadores de visión hasta modelos de habla, robótica y puntos de control de detección de objetos. La empresa también mantiene bibliotecas de código abierto muy utilizadas, entre las que destaca Transformers.

Clément Delangue, Julien Chaumond y Thomas Wolf fundaron la empresa en Nueva York en 2016 como una aplicación de chatbot para adolescentes, llamada así por el emoji de cara abrazando. Su adaptación para PyTorch de BERT de Google, publicada en noviembre de 2018, evolucionó hasta convertirse en Transformers, cuando la empresa pasó de la aplicación de chatbot a las herramientas de código abierto. En septiembre de 2026, NVIDIA acordó adquirir Hugging Face por unos 12.900 millones de dólares, en una operación que se espera cerrar durante el primer semestre de 2027, pendiente de aprobación regulatoria. Hugging Face conservará su marca como plataforma abierta.

El Hub#

Cada modelo, conjunto de datos y Space del Hub es un repositorio Git con un historial completo de versiones. Xet, el sistema de almacenamiento de Hugging Face, guarda los archivos grandes, como los pesos, y elimina los duplicados en fragmentos; así, al subir un punto de control modificado, solo se transfieren los fragmentos que han cambiado. El Hub aloja tres tipos de repositorios:

• Modelos: Pesos del modelo, archivos de configuración y una ficha del modelo, un README cuyos metadatos registran la licencia, los datos de entrenamiento, los resultados de evaluación y las limitaciones. Muchos repositorios guardan los pesos en formato safetensors, que se carga sin ejecutar código, y los repositorios restringidos exigen que los usuarios acepten las condiciones del propietario antes de descargar contenido.
• Conjuntos de datos: Archivos de datos con una ficha del conjunto de datos y un visor integrado en el navegador. La biblioteca datasets los carga mediante Apache Arrow y también puede transmitir conjuntos de datos demasiado grandes para descargarlos.
• Spaces: Aplicaciones de demostración alojadas y creadas con Gradio, Docker o HTML estático; suelen ser la forma más rápida de probar un modelo nuevo en el navegador.

Inference Providers dirige las solicitudes a la API de los modelos del Hub a proveedores sin servidor asociados, e Inference Endpoints despliega un modelo en hardware dedicado. Un proyecto típico sigue este recorrido por el Hub:

Bibliotecas de código abierto#

• Transformers: Definiciones de modelos y pesos preentrenados para tareas de texto, visión, audio y multimodalidad, accesibles desde una sola API; incluye la función pipeline, que ejecuta una tarea con unas pocas líneas. Ya va por su quinta versión principal.
• Diffusers: Pipelines para modelos de difusión que generan imágenes, vídeo y audio.
• Datasets y Tokenizers: Carga y procesamiento rápidos de datos, e implementaciones rápidas en Rust de los métodos de tokenización que utilizan los modelos.
• PEFT y TRL: Métodos de ajuste fino eficiente en parámetros, como LoRA, y métodos de posentrenamiento, como la optimización directa de preferencias, para alinear modelos de lenguaje.
• timm, LeRobot y smolagents: Modelos de imagen de PyTorch, conjuntos de datos y políticas de aprendizaje robótico, y agentes de IA ligeros.

Descargar modelos del Hub#

La biblioteca huggingface_hub descarga cualquier archivo de un repositorio y lo guarda en la caché local, de modo que las llamadas posteriores reutilizan la copia almacenada. Ultralytics publica puntos de control de YOLO26 en el repositorio Ultralytics/YOLO26, con los cinco tamaños para detección, segmentación, clasificación, estimación de pose y cajas orientadas:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# Descarga los pesos de YOLO26n desde el repositorio de Ultralytics en el Hub (se guardan en la caché tras la primera llamada)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Carga el punto de control descargado y ejecuta la detección
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download devuelve la ruta de yolo26n.pt en la caché local de Hugging Face, y la imagen guardada muestra las detecciones de YOLO26n en la foto del autobús.

Hugging Face frente a plataformas relacionadas#

• GitHub: Aloja código fuente en repositorios Git. Hugging Face Hub también utiliza Git y añade lo que necesitan los artefactos de aprendizaje automático: almacenamiento para pesos de varios gigabytes, tarjetas de modelos y conjuntos de datos, visores de conjuntos de datos e inferencia alojada.
• Zoológicos de modelos: Las colecciones específicas de cada framework, como PyTorch Hub, cargan modelos mediante una sola biblioteca, mientras que Hub ofrece modelos de muchas bibliotecas, cada uno etiquetado con la biblioteca que lo carga.
• Registros de modelos: Catálogos privados que hacen un seguimiento de las versiones de los modelos de un equipo, sus fases y las aprobaciones de despliegue, normalmente dentro de una plataforma MLOps.

Aplicaciones en el mundo real#

• Ajuste fino de modelos abiertos: Los equipos descargan LLM con pesos abiertos, los adaptan con LoRA y vuelven a subir a Hub los pequeños archivos de adaptadores, en lugar de copias completas del modelo.
• Investigación reproducible: Los artículos publican sus pesos y conjuntos de datos en Hub, y las páginas de artículos de Hugging Face enlazan cada artículo con los modelos, conjuntos de datos y Spaces que lo utilizan.
• Datos de entrenamiento abiertos: FineWeb, un conjunto de datos de Hugging Face con texto web en inglés depurado y sin duplicados de Common Crawl, ha pasado de 15 billones de tokens en su lanzamiento a más de 18,5 billones.