Hugging Face

Hugging Face 是一家 AI 公司和开源社区，其 Hub 是发布、查找和下载机器学习模型、数据集和演示应用的核心平台。2026 年 10 月，Hub 上列出的模型超过 310 万个，数据集超过 100 万个，涵盖大型语言模型 (LLM)、视觉 Transformer、语音、机器人和物体检测检查点等。该公司还维护着广泛使用的开源库，其中以 Transformers 最具代表性。

Clément Delangue、Julien Chaumond 和 Thomas Wolf 于 2016 年在纽约创立了这家公司，最初推出一款面向青少年的聊天机器人应用，其名称取自 Hugging Face 表情符号。公司于 2018 年 11 月发布了 Google BERT 的 PyTorch 移植版；随着公司从聊天机器人转向开源工具，该项目发展为 Transformers。2026 年 9 月，NVIDIA 同意以约 129 亿美元收购 Hugging Face，预计交易将在 2027 年上半年完成，但仍需获得监管批准；Hugging Face 将保留其品牌，并继续作为开放平台运营。

Hub#

Hub 上的每个模型、数据集和 Space 都是一个 Git 仓库，拥有完整的版本历史。权重等大型文件由 Hugging Face 的存储后端 Xet 保存；Xet 会按数据块进行去重，因此上传修改后的检查点时，只需传输发生变化的数据块。Hub 提供三类仓库：

• 模型：模型权重、配置文件和模型卡；模型卡是一个 README，其元数据会记录许可证、训练数据、评估结果和局限性。许多仓库使用 safetensors 格式存储权重，该格式在加载时不会执行代码；受限仓库则要求用户接受所有者的条款后才能下载。
• 数据集：数据文件、数据集卡和浏览器内查看器。datasets库通过 Apache Arrow 加载数据集，也可以流式读取大到无法下载的数据集。
• Spaces：使用 Gradio、Docker 或静态 HTML 构建的托管演示应用，通常是直接在浏览器中试用新模型的最快方式。

Inference Providers 会将针对 Hub 模型的 API 请求路由到合作的无服务器提供商，而 Inference Endpoints 则可以在专用硬件上部署模型。一个典型项目在 Hub 上的流程如下：

开源库#

• Transformers：通过一个 API 提供文本、视觉、音频和多模态任务的模型定义及预训练权重，其中包括 pipeline函数，只需几行代码即可运行某项任务。它现已发展到第五个主要版本。
• Diffusers：用于生成图像、视频和音频的扩散模型流水线。
• Datasets 和 Tokenizers：提供快速的数据加载与处理，以及用 Rust 快速实现的模型分词方案。
• PEFT 和 TRL：提供参数高效微调方法，例如 LoRA，以及用于对齐语言模型的后训练方法，例如直接偏好优化。
• timm、LeRobot 和 smolagents：PyTorch 图像模型、机器人学习数据集与策略，以及轻量级 AI 智能体。

从 Hub 下载模型#

huggingface_hub 库可以从仓库下载任意文件并在本地缓存，后续调用会重用缓存副本。Ultralytics 在 Ultralytics/YOLO26仓库中发布了 YOLO26检查点，涵盖检测、分割、分类、姿态估计和定向框任务的全部五种尺寸：

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# 从 Hub 上的 Ultralytics 仓库下载 YOLO26n 权重（首次调用后会缓存）
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# 加载已下载的检查点并运行检测
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download会返回 yolo26n.pt在本地 Hugging Face 缓存中的路径，而保存的图像会显示 YOLO26n 在公交车照片中检测到的目标。

Hugging Face 与相关平台的比较#

• GitHub：在 Git 仓库中托管源代码。Hugging Face Hub 也使用 Git，并提供机器学习制品所需的功能：存储数 GB 大小的权重、模型卡和数据集卡、数据集查看器，以及托管推理服务。
• 模型库：像 PyTorch Hub 这样的框架专属集合通过一个库加载模型，而 Hub 提供来自多个库的模型，并为每个模型标注用于加载它的库。
• 模型注册表：跟踪团队模型版本、阶段和部署审批的私有目录，通常位于 MLOps 平台内。

实际应用#

• 微调开放模型：团队下载开放权重的 LLM，使用 LoRA 对其进行适配，然后将较小的适配器文件推送回 Hub，而不是上传完整的模型副本。
• 可复现研究：论文会在 Hub 上发布权重和数据集，而 Hugging Face 的论文页面会将每篇论文链接到使用该论文成果的模型、数据集和 Spaces。
• 开放训练数据：FineWeb 是 Hugging Face 提供的一个数据集，包含来自 Common Crawl、经过清理和去重的英文网页文本，其规模从发布时的 15 万亿个 token 增长到了超过 18.5 万亿个。