Hugging Face

Hugging Face là một công ty AI và cộng đồng mã nguồn mở; Hub của công ty là nơi tập trung để xuất bản, tìm kiếm và tải xuống model machine learning, tập dữ liệu và ứng dụng demo. Vào tháng 10 năm 2026, Hub có hơn 3.1 triệu model và 1 triệu tập dữ liệu, từ mô hình ngôn ngữ lớn (LLM) và vision transformer đến các checkpoint về tiếng nói, robotics và phát hiện đối tượng. Công ty cũng duy trì các thư viện mã nguồn mở được sử dụng rộng rãi, nổi bật là Transformers.

Clément Delangue, Julien Chaumond và Thomas Wolf thành lập công ty tại New York năm 2016, ban đầu là một ứng dụng chatbot dành cho thanh thiếu niên, được đặt tên theo emoji hugging face. Bản chuyển sang PyTorch của BERT từ Google, phát hành vào tháng 11 năm 2018, phát triển thành Transformers khi công ty chuyển hướng từ chatbot sang các công cụ mã nguồn mở. Tháng 9 năm 2026, NVIDIA đồng ý mua lại Hugging Face với giá khoảng 12.9 tỷ USD; thương vụ dự kiến hoàn tất trong nửa đầu năm 2027, tùy thuộc phê duyệt theo quy định, và Hugging Face sẽ tiếp tục giữ thương hiệu của mình như một nền tảng mở.

Hub#

Mỗi model, tập dữ liệu và Space trên Hub là một Git repository với đầy đủ lịch sử phiên bản. Các file lớn như trọng số được lưu bằng Xet, backend lưu trữ của Hugging Face; Xet loại bỏ dữ liệu trùng lặp theo từng khối, nên khi tải lên checkpoint đã chỉnh sửa, chỉ những khối thay đổi mới được truyền đi. Hub lưu trữ ba loại repository:

• Model: Trọng số model, file cấu hình và thẻ model — một README có metadata ghi lại giấy phép, dữ liệu huấn luyện, kết quả đánh giá và giới hạn. Nhiều repository lưu trọng số dưới dạng safetensors, một định dạng có thể tải mà không thực thi mã; các repository có kiểm soát quyền truy cập yêu cầu người dùng chấp nhận điều khoản của chủ sở hữu trước khi tải xuống.
• Tập dữ liệu: Các file dữ liệu đi kèm thẻ tập dữ liệu và trình xem ngay trong trình duyệt. Thư viện datasets tải dữ liệu bằng Apache Arrow và cũng có thể stream những tập dữ liệu quá lớn để tải xuống.
• Spaces: Các ứng dụng demo được lưu trữ và xây dựng bằng Gradio, Docker hoặc HTML tĩnh; đây thường là cách nhanh nhất để dùng thử model mới trên trình duyệt.

Inference Providers chuyển tiếp các yêu cầu API cho model trên Hub đến các nhà cung cấp serverless đối tác, còn Inference Endpoints triển khai model trên phần cứng chuyên dụng. Một dự án điển hình thường trải qua các bước sau trên Hub:

Thư viện mã nguồn mở#

• Transformers: Định nghĩa model và trọng số đã huấn luyện trước cho các tác vụ văn bản, thị giác, âm thanh và đa phương thức thông qua một API, bao gồm hàm pipeline để chạy một tác vụ chỉ với vài dòng mã. Thư viện hiện đã có phiên bản chính thứ năm.
• Diffusers: Các pipeline cho model khuếch tán tạo ảnh, video và âm thanh.
• Datasets và Tokenizers: Tải và xử lý dữ liệu nhanh, cùng các triển khai Rust tốc độ cao cho các phương pháp tokenization mà model sử dụng.
• PEFT và TRL: Các phương pháp tinh chỉnh hiệu quả tham số như LoRA, và các phương pháp hậu huấn luyện như tối ưu hóa ưu tiên trực tiếp để căn chỉnh model ngôn ngữ.
• timm, LeRobot và smolagents: Model ảnh PyTorch, tập dữ liệu và policy học robot, cùng các AI agent gọn nhẹ.

Tải model từ Hub#

Thư viện huggingface_hub tải mọi file từ repository và lưu cache cục bộ, để các lần gọi sau sử dụng lại bản đã lưu. Ultralytics phát hành checkpoint YOLO26 trong repository Ultralytics/YOLO26, gồm cả năm kích thước cho detection, segmentation, classification, ước lượng pose và hộp định hướng:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# # Tải trọng số YOLO26n từ repository Ultralytics trên Hub (được lưu vào bộ nhớ đệm sau lần gọi đầu tiên)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# # Tải checkpoint đã tải xuống và chạy phát hiện
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download trả về đường dẫn của yolo26n.pt trong bộ nhớ đệm Hugging Face cục bộ, còn ảnh đã lưu hiển thị các đối tượng YOLO26n phát hiện được trong ảnh xe buýt.

Hugging Face và các nền tảng liên quan#

• GitHub: Lưu trữ mã nguồn trong các Git repository. Hugging Face Hub cũng sử dụng Git và bổ sung những gì các artifact machine learning cần: dung lượng lưu trữ cho các bộ trọng số nhiều gigabyte, thẻ model và dataset, trình xem dataset và inference được lưu trữ.
• Kho model: Các bộ sưu tập dành riêng cho từng framework, chẳng hạn PyTorch Hub, tải model thông qua một thư viện; Hub cung cấp model từ nhiều thư viện, mỗi model đều được gắn thẻ thư viện dùng để tải model đó.
• Registry model: Các danh mục riêng tư theo dõi phiên bản model, giai đoạn và phê duyệt triển khai của một nhóm, thường nằm trong nền tảng MLOps.

Ứng dụng thực tế#

• Fine-tune model mở: Các nhóm tải LLM có trọng số mở xuống, điều chỉnh chúng bằng LoRA rồi đẩy các tệp adapter nhỏ trở lại Hub thay vì tải lên các bản sao đầy đủ của model.
• Nghiên cứu có thể tái lập: Các bài báo công bố trọng số và dataset trên Hub; trang bài báo của Hugging Face liên kết mỗi bài báo với các model, dataset và Spaces sử dụng bài báo đó.
• Dữ liệu huấn luyện mở: FineWeb, một dataset của Hugging Face gồm văn bản web tiếng Anh đã làm sạch và loại trùng lặp từ Common Crawl, đã tăng từ 15 nghìn tỷ token khi phát hành lên hơn 18,5 nghìn tỷ.