Hugging Face

Hugging Face — это компания в сфере ИИ и сообщество разработчиков открытого ПО. Ее Hub служит центральной площадкой для публикации, поиска и скачивания моделей машинного обучения, наборов данных и демонстрационных приложений. В октябре 2026 года на Hub размещено более 3,1 миллиона моделей и 1 миллион наборов данных: от больших языковых моделей (LLM) и зрительных трансформеров до решений для речи, робототехники и обнаружения объектов. Компания также поддерживает широко используемые библиотеки с открытым исходным кодом, в первую очередь Transformers.

Клеман Деланг, Жюльен Шомон и Томас Вольф основали компанию в Нью-Йорке в 2016 году как приложение-чат-бот для подростков, названное в честь эмодзи hugging face. Перенос PyTorch модели BERT от Google, опубликованный в ноябре 2018 года, превратился в Transformers, когда компания переключилась с чат-бота на инструменты с открытым исходным кодом. В сентябре 2026 года NVIDIA согласилась приобрести Hugging Face примерно за 12,9 миллиарда долларов. Сделку планируется закрыть в первой половине 2027 года после получения разрешения регулирующих органов; Hugging Face при этом сохранит свой бренд как открытая платформа.

Hub#

Каждая модель, набор данных и Space на Hub — это Git-репозиторий с полной историей версий. Большие файлы, например веса, хранит Xet — бэкенд хранилища Hugging Face, который устраняет дубликаты данных по фрагментам. Поэтому при загрузке измененного чекпойнта передаются только изменившиеся фрагменты. На Hub размещаются три типа репозиториев:

• Модели: Веса модели, файлы конфигурации и карточка модели — файл README с метаданными о лицензии, обучающих данных, результатах оценки и ограничениях. Во многих репозиториях веса хранятся в формате safetensors, который загружается без выполнения кода; для загрузки из репозиториев с ограниченным доступом пользователь должен принять условия владельца.
• Наборы данных: Файлы данных с карточкой набора и средством просмотра в браузере. Библиотека datasets загружает их с помощью Apache Arrow и также позволяет потоково считывать наборы данных, слишком большие для скачивания.
• Spaces: Размещенные демонстрационные приложения на базе Gradio, Docker или статического HTML — зачастую это самый быстрый способ опробовать новую модель в браузере.

Провайдеры инференса направляют API-запросы к моделям на Hub партнерским бессерверным провайдерам, а конечные точки инференса позволяют развернуть модель на выделенном оборудовании. Типичный проект проходит на Hub такие этапы:

Библиотеки с открытым исходным кодом#

• Transformers: Определения моделей и предварительно обученные веса для задач обработки текста, изображений, аудио и мультимодальных данных, доступные через единый API; в библиотеку входит функция pipeline, которая позволяет выполнить задачу всего в несколько строк. Сейчас библиотека находится на пятой основной версии.
• Diffusers: Конвейеры для диффузионных моделей, которые генерируют изображения, видео и аудио.
• Datasets и Tokenizers: Быстрая загрузка и обработка данных, а также быстрые реализации на Rust схем токенизации, используемых моделями.
• PEFT и TRL: Методы эффективной настройки с небольшим числом параметров, такие как LoRA, и методы дообучения, например прямая оптимизация предпочтений, для согласования языковых моделей.
• timm, LeRobot и smolagents: Модели изображений PyTorch, наборы данных и стратегии обучения роботов, а также облегченные ИИ-агенты.

Скачивание моделей с Hub#

Библиотека huggingface_hub скачивает любой файл из репозитория и кэширует его локально, поэтому при последующих вызовах используется кэшированная копия. Ultralytics публикует контрольные точки YOLO26 в репозитории Ultralytics/YOLO26: все пять размеров для детекции, сегментации, классификации, оценки позы и ориентированных рамок:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# Скачать веса YOLO26n из репозитория Ultralytics на Hub (после первого вызова они кэшируются)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Загрузить скачанный чекпойнт и выполнить обнаружение объектов
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download возвращает путь к yolo26n.pt в локальном кэше Hugging Face; на сохраненном изображении показаны результаты обнаружения YOLO26n на фотографии автобуса.

Hugging Face и аналогичные платформы#

• GitHub: хранит исходный код в Git-репозиториях. В Hugging Face Hub тоже используется Git, но добавлены возможности, необходимые для артефактов машинного обучения: хранилище для весов размером в несколько гигабайт, карточки моделей и наборов данных, просмотрщики наборов данных и размещённый инференс.
• Каталоги моделей: коллекции для конкретных фреймворков, например PyTorch Hub, загружают модели через одну библиотеку, а Hub предоставляет модели из многих библиотек, помечая каждую библиотекой, которая её загружает.
• Реестры моделей: закрытые каталоги, в которых отслеживаются версии моделей команды, этапы их жизненного цикла и одобрения развёртывания; обычно они входят в платформу MLOps.

Примеры применения в реальных условиях#

• Дообучение моделей с открытыми весами: команды скачивают LLM с открытыми весами, адаптируют их с помощью LoRA и отправляют небольшие файлы адаптеров обратно в Hub вместо полных копий модели.
• Воспроизводимые исследования: авторы статей публикуют веса и наборы данных в Hub, а страницы статей на Hugging Face связывают каждую статью с использующими её моделями, наборами данных и Spaces.
• Открытые обучающие данные: FineWeb — набор данных Hugging Face с очищенными от дубликатов англоязычными веб-текстами из Common Crawl — вырос с 15 триллионов токенов на момент выпуска до более чем 18,5 триллиона.