Hugging Face

Hugging Face é uma empresa de IA e uma comunidade de código aberto cujo Hub é um espaço central para publicar, encontrar e baixar modelos de aprendizado de máquina, conjuntos de dados e aplicativos de demonstração. Em outubro de 2026, o Hub lista mais de 3.1 milhões de modelos e 1 milhão de conjuntos de dados, desde grandes modelos de linguagem (LLMs) e transformers de visão até pontos de controle de fala, robótica e detecção de objetos. A empresa também mantém bibliotecas de código aberto amplamente utilizadas, lideradas por Transformers.

Clément Delangue, Julien Chaumond e Thomas Wolf fundaram a empresa em Nova York, em 2016, como um aplicativo de chatbot para adolescentes, cujo nome foi inspirado no emoji de rosto abraçando. A versão para PyTorch do BERT do Google, publicada em novembro de 2018, evoluiu para o Transformers à medida que a empresa deixou o chatbot para se dedicar a ferramentas de código aberto. Em setembro de 2026, a NVIDIA concordou em adquirir a Hugging Face por cerca de US$ 12.9 bilhões; a conclusão do negócio está prevista para o primeiro semestre de 2027, sujeita à aprovação regulatória, e a Hugging Face manterá sua marca como plataforma aberta.

O Hub#

Cada modelo, conjunto de dados e Space no Hub é um repositório Git com histórico completo de versões. Arquivos grandes, como pesos, são armazenados pelo Xet, o backend de armazenamento da Hugging Face, que elimina dados duplicados em blocos; assim, ao enviar um ponto de controle modificado, apenas os blocos alterados são transferidos. O Hub hospeda três tipos de repositório:

• Modelos: Pesos de modelos, arquivos de configuração e um cartão do modelo, um README cujos metadados registram a licença, os dados de treinamento, os resultados da avaliação e as limitações. Muitos repositórios armazenam pesos no formato safetensors, que carrega os arquivos sem executar código; repositórios com acesso restrito exigem que os usuários aceitem os termos do proprietário antes de baixar.
• Conjuntos de dados: Arquivos de dados com um cartão do conjunto de dados e um visualizador no navegador. A biblioteca datasets os carrega com Apache Arrow e também pode transmitir conjuntos de dados grandes demais para baixar.
• Spaces: Aplicativos de demonstração hospedados e criados com Gradio, Docker ou HTML estático, muitas vezes a forma mais rápida de experimentar um novo modelo no navegador.

Os Inference Providers encaminham solicitações de API para modelos do Hub a provedores sem servidor parceiros, e os Inference Endpoints implantam um modelo em hardware dedicado. Um projeto típico passa pelo Hub assim:

Bibliotecas de código aberto#

• Transformers: Definições de modelos e pesos pré-treinados para tarefas de texto, visão, áudio e multimodais, acessíveis por uma única API, incluindo a função pipeline, que executa uma tarefa em poucas linhas. A biblioteca está agora na quinta versão principal.
• Diffusers: Pipelines para modelos de difusão que geram imagens, vídeos e áudio.
• Datasets e Tokenizers: Carregamento e processamento rápidos de dados, além de implementações rápidas em Rust dos esquemas de tokenização usados pelos modelos.
• PEFT e TRL: Métodos de ajuste fino eficiente em parâmetros, como LoRA, e métodos de pós-treinamento, como a otimização direta de preferências, para alinhar modelos de linguagem.
• timm, LeRobot e smolagents: Modelos de imagem PyTorch, conjuntos de dados e políticas de aprendizado robótico, além de agentes de IA leves.

Baixar modelos do Hub#

A biblioteca huggingface_hub baixa qualquer arquivo de um repositório e o armazena em cache localmente, para que chamadas posteriores reutilizem a cópia armazenada. A Ultralytics publica checkpoints YOLO26 no repositório Ultralytics/YOLO26, com os cinco tamanhos para detecção, segmentação, classificação, estimativa de pose e caixas orientadas:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# Baixe os pesos YOLO26n do repositório da Ultralytics no Hub (eles ficam em cache após a primeira chamada)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Carregue o ponto de controle baixado e execute a detecção
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download retorna o caminho de yolo26n.pt no cache local do Hugging Face, e a imagem salva mostra as detecções do YOLO26n na foto do ônibus.

Hugging Face vs. plataformas relacionadas#

• GitHub: Hospeda código-fonte em repositórios Git. O Hugging Face Hub também usa Git e acrescenta o que os artefatos de machine learning precisam: armazenamento para pesos de vários gigabytes, cartões de modelos e conjuntos de dados, visualizadores de conjuntos de dados e inferência hospedada.
• Zoológicos de modelos: Coleções específicas de frameworks, como o PyTorch Hub, carregam modelos por meio de uma única biblioteca, enquanto o Hub disponibiliza modelos de muitas bibliotecas, cada um identificado com a biblioteca que o carrega.
• Registos de modelos: Catálogos privados que acompanham as versões de modelos, as etapas e as aprovações de implantação de uma equipa, geralmente dentro de uma plataforma de MLOps.

Aplicações no mundo real#

• Ajuste fino de modelos abertos: As equipas descarregam LLMs com pesos abertos, adaptam-nos com LoRA e enviam os pequenos ficheiros do adaptador de volta para o Hub, em vez de cópias completas do modelo.
• Investigação reproduzível: Os artigos publicam os seus pesos e conjuntos de dados no Hub, e as páginas de artigos do Hugging Face associam cada artigo aos modelos, conjuntos de dados e Spaces que o utilizam.
• Dados de treino abertos: O FineWeb, um conjunto de dados do Hugging Face com texto da Web em inglês limpo e sem duplicados, proveniente do Common Crawl, cresceu de 15 biliões de tokens no lançamento para mais de 18,5 biliões.