Hugging Face

Hugging Face 是什么？

Hugging Face 是机器学习社区的协作平台。它让人们创建、发现并共同开发模型、数据集和应用（包括 AI 应用和 Spaces）。

该平台还定位为开放式 AI 方法：它强调开源 ML 工具生态，并提供部署或服务模型、在计算资源上运行应用的方式。

主要功能

• 模型浏览与发现：探索大型模型目录，包括最近时间窗口内更新的项目。
• AI 应用 Spaces：使用 Spaces 托管应用，预览或运行交互式演示（示例：图像/视频生成与编辑应用列表）。
• 数据集托管：浏览并访问不同 ML 任务的数据集，包括数据集列表和更新活动。
• 开源 ML 工具栈：提供广泛使用的库和工具包，包括 Transformers、Diffusers、Safetensors、Hub Python library、Tokenizers 等。
• 付费计算与企业服务：提供付费 Compute 和 Team & Enterprise 解决方案，列出功能如 Single Sign-On、地域、审计日志、资源组和私有数据集查看器。
• 模型与推理访问：提及通过单一统一 API 访问推理提供商的模型，并能在优化 Inference Endpoints 上部署模型，或几键将 Spaces 迁移至 GPU。

如何使用 Hugging Face

1. 从平台浏览模型、数据集和应用，找到适合您任务的起点。
2. 如需托管或演示应用，探索 Spaces 列表，并从站点展示的 Spaces 流程开始（页面将 Spaces 描述为协作平台的一部分）。
3. 开发时，使用平台列出的开源库（如 Transformers、Diffusers 或 Tokenizers）集成并处理模型与数据。
4. 如需托管推理或加速执行，查看平台的计算与推理选项，包括通过统一 API 的 Inference Providers 和 Inference Endpoints 部署。
5. 对于团队或组织工作流，考虑 Team & Enterprise 功能，如 Single Sign-On、审计日志、资源组和私有数据集查看（如列表所述）。

使用场景

• 发现并复用现有模型：从平台模型列表找到相关模型，使用提供的开源工具（如 Transformers 用于 PyTorch 相关工作流）开始构建。
• 托管交互式 AI 应用：通过 Spaces 发布或探索应用，包括列表中提到的图像转视频和文本转视频演示。
• 处理 ML 任务数据集：浏览数据集列表，定位训练或实验数据，并作为平台协作方式分享数据集。
• 部署模型推理：使用 Inference Endpoints 部署模型，或通过单一统一 API 访问 Inference Providers 的模型。
• 组织团队协作：当多用户需要治理和结构化访问时，使用 Team & Enterprise 功能（如审计日志、访问控制和私有数据集查看器）。

常见问题

• Hugging Face 主要提供什么？ 它提供机器学习协作平台，专注于模型、数据集和应用，加上开源工具以及计算与推理选项。

• 我可以访问多个提供商的模型吗？ 站点描述通过单一统一 API 无服务费访问 45,000+ 领先 AI 提供商的模型（如页面所述）。

• 平台上可以浏览哪些类型内容？ 页面描述浏览模型、Spaces（应用）和数据集，并提及多种模态如文本、图像、视频、音频和 3D。

• 有团队企业选项吗？ 是的。页面列出 Team & Enterprise 功能，包括 Single Sign-On、地域、优先支持、审计日志、资源组和私有数据集查看器。

• 他们提供开源库吗？ 是的。页面列出开源栈，包括 Transformers、Diffusers、Safetensors、Hub Python Library、Tokenizers、TRL、Transformers.js、PEFT、Datasets 等。

替代方案

• 开放模型/数据集仓库：替代方案包括其他社区模型或数据集托管平台，通常专注于存储/发现，而非模型、数据集和应用的端到端协作流程。
• 仅推理 API：与提供 Spaces 和公共托管的完整协作平台不同，仅推理服务专注于在 API 后运行模型；这将工作流从发现/构建转变为部署和提供服务。
• 通用机器学习开发平台：某些平台强调训练/部署流水线和环境管理，而非模型和应用中心；这些平台可能需要更多设置来复制相同的浏览/协作体验。
• 基于浏览器的机器学习演示平台：如果主要目标是交互式应用托管，“演示托管”类别的替代方案可提供类似的前端体验，但可能不包含相同深度的模型/数据集中心工作流。