Saltar al contenido principal

Qué es Hugging Face

Hugging Face es la infraestructura común del open source en IA. Cuando alguien publica un modelo abierto —Meta con Llama, Mistral, Qwen, DeepSeek, OpenAI con gpt-oss— lo publica ahí. Cuando Ollama descarga un GGUF, lo descarga de ahí.

Es a la vez un repositorio (como GitHub, pero para pesos y datos), un conjunto de librerías y una plataforma de ejecución.

Las piezas​

PiezaQué esNota
HubRepositorios Git con LFS para modelos, datasets y SpacesVer nota
hf (CLI)Cliente de línea de comandos del HubVer nota
transformersCargar y ejecutar modelos con una API comúnVer nota
datasetsCargar datasets enormes sin llenar el discoVer nota
Inference ProvidersUna API OpenAI-compatible sobre 15+ proveedoresVer nota
SpacesDesplegar demos (Gradio, Streamlit, Docker)Ver nota

Alrededor hay más librerías: peft (fine-tuning eficiente con LoRA), accelerate (entrenamiento multi-GPU), diffusers (imagen y vídeo), sentence-transformers (embeddings), trl (RLHF y DPO), safetensors (formato de pesos seguro).

Experimento: cuántos modelos hay realmente​

Contexto: el tamaño del catálogo explica por qué el Hub es el punto de partida de casi cualquier proyecto de IA: casi nunca hay que entrenar desde cero.

from huggingface_hub import HfApi

api = HfApi()

for tarea in ["text-generation", "text-to-image", "automatic-speech-recognition",
              "feature-extraction", "image-text-to-text"]:
    modelos = api.list_models(filter=tarea, limit=None)
    total = sum(1 for _ in modelos)
    print(f"{tarea:<32} {total:>8,}")

Resultado:

text-generation                   271,436
text-to-image                      94,812
automatic-speech-recognition       31,205
feature-extraction                 27,940
image-text-to-text                 18,673

Qué aprender: hay más de un cuarto de millón de modelos solo de generación de texto. El problema real no es encontrar un modelo, es filtrar: por licencia, por tamaño, por si alguien lo ha evaluado. De ahí que el Hub dé descargas, likes y tendencias — son la señal social que sustituye a una evaluación propia cuando no tienes tiempo de hacerla.

Experimento: de cero a una respuesta en cuatro líneas​

Contexto: el argumento de venta de transformers es que la misma API sirve para cualquier modelo y tarea. Conviene comprobar cuánto código hace falta de verdad.

from transformers import pipeline

clasificador = pipeline("sentiment-analysis", model="pysentimiento/robertuito-sentiment-analysis")
print(clasificador("Este cuaderno explica las cosas sin marear con teoría"))

Resultado:

Device set to use cuda:0
[{'label': 'POS', 'score': 0.9931}]

Qué aprender: pipeline descarga el modelo, elige el tokenizador correcto, detecta la GPU y aplica el post-proceso de la tarea. Es el camino corto; cuando necesites control (cuantización, batching, generación en streaming) hay que bajar a AutoModel, como se ve en la nota de transformers.

Cuenta, tokens y licencias​

  • Leer modelos públicos no requiere cuenta. Descargar modelos "gated" (Llama, Gemma) sí: hay que aceptar la licencia en la web y usar un token.
  • Los tokens se crean en huggingface.co/settings/tokens. Usa tokens fine-grained con los permisos mínimos.
  • Ojo con las licencias: "abierto" no siempre significa "uso comercial libre". Llama tiene su propia licencia con límites, Apache-2.0 y MIT son permisivas, y algunos modelos son solo para investigación.

Referencias​