# Hugging Face 教程：查找、核对并下载开源模型

> Hugging Face Hub 用 git 仓库存放开源模型、数据集和演示应用。本教程先用 Hub 的筛选器找到模型，读它的模型卡和许可证，申请受限模型的访问权限，创建访问令牌，再用 `hf` 命令行工具只下载你需要的文件。`hf` 已经取代了旧的 `huggingface-cli`。

Mindket 编辑部 · 发布于 2026-11-05 · 更新于 2026-11-06 · https://mindket.com/cn/learn/hugging-face/hugging-face-hub

## 要点

- 先弄清这个模型能不能用在你的产品里，再围绕它写代码。
- 每台电脑、每个笔记本环境、每台服务器各用一把钥匙，泄露一把只需作废一把。
- 先预览下载内容，再只拉取代码会读的配置和权重。
- 缓存里的文件不要动，旧文件用缓存命令清理。

## 开始之前

你需要一个免费的 [Hugging Face 账号](https://huggingface.co/join)、Python 3.10 或更高版本，以及一个终端。第 2 课要求 Python 3.11，这是 Transformers 测试过的最低版本，所以建一个 3.11 的环境就能学完整门课。

有了账号，才能申请受限模型、创建访问令牌，并拿到更高的下载额度。Hub 上的一切都放在**仓库**里。仓库就是带版本管理的文件夹，有提交记录和分支，和 GitHub 仓库很像。`huggingface_hub` 库负责从 Python 读写这些仓库，同时自带 `hf`。它是一个**命令行工具**，也就是靠输入命令来操作的程序。如果你只想要命令行工具，[安装页面](https://huggingface.co/docs/huggingface_hub/installation)还为 macOS、Linux 和 Windows 提供了独立安装程序。

老教程里还写着 `huggingface-cli login`。Hugging Face 在 2025 年 7 月[把这个工具改名为 hf](https://huggingface.co/blog/hf-cli)，[v1.0 迁移指南](https://huggingface.co/docs/huggingface_hub/concepts/migration)写明旧名字已经移除。现在的命令按“资源，再动作”的顺序写：`hf auth login`、`hf cache ls`。下载和上传仍然放在顶层，分别是 `hf download` 和 `hf upload`。老教程还可能让你设置 `HF_HUB_ENABLE_HF_TRANSFER` 来加速下载。同一个版本也会忽略这个变量，因为现在的速度来自 `hf_xet` 包，从 0.32.0 版起它就随 `huggingface_hub` 一起安装。

一个模型仓库通常放着三类文件。`config.json` 描述模型的结构。分词器文件描述**分词器**，它把文字切成一个个带编号的小片段，这些片段叫 token，是模型读取的单位。权重文件存放**权重**，也就是模型计算时用到的那些学出来的数字，下载量几乎全在这里。

Windows 上的下载缓存依赖符号链接，也就是指向另一个文件的文件条目。在 Windows 设置里打开开发者模式，或者用管理员身份运行 Python。两样都不做，缓存照样能用，只是会以安装页面所说的“非优化”方式运行。

## 一步步操作（附截图）

这六步不需要账号，从模型列表一路走到受限模型，每一步都配了一张网站的截图。

1. 打开 [huggingface.co/models](https://huggingface.co/models)。在 **Tasks**（任务）下点 **Text Generation**（文本生成），再打开 **Sort**（排序）选 **Most downloads**（下载最多）。列表里只剩文本生成模型，下载最多的排在最前面。
   ![Hugging Face 的模型页面，Text Generation 任务和 Sort: Most downloads 按钮都用金色圈出。列表第一项是 openai-community/gpt2。](https://mindket.com/blog/screens/hugging-face-hub-1-models-page.webp?v=06434f7bd913)
2. 在页面顶部的搜索框里输入 `gpt2`，下方会弹出匹配的模型菜单，`openai-community/gpt2` 排第一。点开它。
   ![页面顶部的搜索框用金色圈出，里面输入了 gpt2。下方菜单列出模型，openai-community/gpt2 高亮排在第一位。](https://mindket.com/blog/screens/hugging-face-hub-2-search-box.webp?v=d28f4af7c2d1)
3. 打开后就是这个模型的模型卡。模型名下面的标签写着它的任务、能加载它的库和许可证。用任何模型之前，先找到 **License**（许可证）标签，这个模型写的是 `mit`。
   ![openai-community/gpt2 的模型页面。模型名下面的标签里，License: mit 用金色圈出。](https://mindket.com/blog/screens/hugging-face-hub-3-model-card.webp?v=d90ce0cc1b40)
4. 点 **Model card**（模型卡）旁边的 **Files and versions**（文件和版本，窗口窄时只显示 **Files**）。这里就是仓库本身：`config.json` 只有 665 字节，存的是设置，`model.safetensors` 存权重，大小 548 MB。其他几个大文件是同一个模型为别的工具另存的版本。
   ![openai-community/gpt2 的 Files 标签用金色圈出，下面是仓库的文件列表，其中有 config.json、model.safetensors 和 pytorch_model.bin。](https://mindket.com/blog/screens/hugging-face-hub-4-files-tab.webp?v=70a8f6b79682)
5. 回到 **Model card**，点 **Use this model**（使用此模型）。菜单里 Libraries 下有 **Transformers**，Notebooks 下有 Google Colab 和 Kaggle，Local Apps 下有 vLLM 这类本地应用。
   ![gpt2 页面上的 Use this model 按钮用金色圈出，菜单已展开：Transformers、Google Colab、Kaggle、vLLM、SGLang 和 Docker Model Runner。](https://mindket.com/blog/screens/hugging-face-hub-5-use-this-model.webp?v=cb7380141bda)
6. 有些模型要先同意条款。不登录，直接打开 [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b)，页面上的方框写着必须接受条件才能访问文件，方框底部有 **Log in**（登录）和 **Sign Up**（注册）两个按钮。
   ![google/gemma-2-2b 的模型页面。Access Gemma on Hugging Face 方框用金色圈出，写着要接受条件，方框底部有 Log in 和 Sign Up 两个按钮。](https://mindket.com/blog/screens/hugging-face-hub-6-gated-model.webp?v=6d7fe7c0a76e)

*huggingface.co 截图，拍摄于 2026 年 11 月 6 日。*

## 找到模型，读懂模型卡

从[模型页面](https://huggingface.co/models)开始，先选一个任务筛选，比如文本生成或文本分类。Hub 上有超过 2M 个模型、1.5M 个数据集和 1.5M 个 **Spaces**，Spaces 是它对托管演示应用的叫法。先按任务筛，再按许可证筛，还没点开任何页面，列表就短了很多。第 2 课会把同一个任务名交给 `pipeline()`。

每个模型页面都会把仓库里的 `README.md` 显示成**模型卡**：顶部是一段 YAML，下面是 Markdown 正文。YAML 是一种纯文本格式，每行写成 `key: value`。许可证徽章、任务标签，以及你刚才用过的筛选器，全都来自这段元数据。两个模型看起来差不多时，先比较这两段元数据。如果模型是你自己的，页面上的 **Edit model card** 按钮可以通过表单修改同一段元数据。

许可证列表里既有 `apache-2.0`、`mit` 这样的软件许可证，也有 `llama3.1`、`gemma` 这样的模型许可证，还有 `cc-by-nc-4.0` 这种禁止商用的许可证。模型卡也可以写 `license: other`，再指向自定义条款。徽章只告诉你是哪种许可证，判断不了你的用法是否合规，所以模型要进入任何收费产品之前，先把条款读完。

模型卡还提供另外两种筛选：训练数据集和基础模型。**基础模型**是另一个模型的出发点。别人会对它做微调，也就是用新数据继续训练；或者做量化，用更少的位数存放它的数字，让它占用更少内存。按基础模型筛选，会列出从它衍生出的所有版本。想找一个你喜欢的模型的小号版本，就这么找。

不开浏览器也能读元数据。这个库自带的安装检查命令会打印模型的标签和任务。文档里用 `gpt2` 跑的示例中，标签里有 `license:mit`，任务是 `text-generation`。

````bash
python -c "from huggingface_hub import model_info; print(model_info('gpt2'))"
````

| 模型卡字段 | 里面写的是什么 | 对你有什么影响 |
| --- | --- | --- |
| `license` | 许可证 id，显示成徽章，许可证筛选器也用它 | `other` 表示自定义条款，名称写在 `license_name`，链接写在 `license_link` |
| `pipeline_tag` | 任务，比如 `text-generation` | 决定页面上的小组件，以及哪些推理接口为这个模型服务 |
| `library_name` | 加载它的库，比如 `transformers` | 2024 年 8 月之后创建的仓库必须写明，只有 `config.json` 已经不会被默认当成 Transformers |
| `base_model` | 一个或多个上游模型，写的是 Hub id | 按基础模型筛选时，它会出现在上游模型名下 |
| `datasets` | 训练用的数据集，写的是 Hub id | 页面上会多一行“Datasets used to train”，并附上链接 |
| `new_version` | 取代它的新模型 | 页面会链接到最新版本 |

## 登录，再用 hf 命令行下载

**访问令牌**是一把钥匙，让脚本以你的账号身份办事。公开模型不用令牌也能下载，受限模型则会拒绝没带令牌的请求。未登录的请求还会拿到最低的**速率限制**，也就是 Hub 在每个 5 分钟窗口里接受你多少次请求，未登录时按 IP 地址计算。超过限制，Hub 会返回 429 错误，这是网络上表示“请求太多”的状态码。从 1.2.0 版起，这个库遇到这种错误会自己重试。

下载大文件之前先预览。文档对 GPT-2 仓库跑了一次 `--dry-run`：仓库里有 26 个文件，其中 11 个还没下载，合计 5.6G。这些文件大多是同一个模型为其他运行环境另存的副本，比如 `pytorch_model.bin`、`tf_model.h5`、`flax_model.msgpack`，以及 ONNX 和 TFLite 文件。Transformers 优先加载 **safetensors** 文件，这种权重格式加载时不会执行任何代码，其余副本只会白占硬盘。

Python 里也是这两招。`hf_hub_download` 下载单个文件，`snapshot_download` 下载整个仓库，或者只下载符合你给的模式的文件。两者都返回一个指向缓存的路径。加上 `--local-dir`，你会在指定的文件夹里拿到真正的文件，外加一个小小的 `.cache/huggingface/` 文件夹，记录每个文件的来历。想把下载固定在某个版本，就在命令行用 `--revision`，在 Python 里用 `revision=`，填一个标签、分支或提交哈希。之后作者再推送新内容，你的文件也不会变。

- **26** 文档预览示例里 GPT-2 仓库的文件数 (来源：[Hugging Face: Download files from the Hub](https://huggingface.co/docs/huggingface_hub/guides/download), 2026-11-05 查阅)
- **5.6G** 那次预览中还要下载的量，分布在 11 个文件里 (来源：[Hugging Face: Download files from the Hub](https://huggingface.co/docs/huggingface_hub/guides/download), 2026-11-05 查阅)
- **548.1M** 单独一个 model.safetensors 权重文件 (来源：[Hugging Face: Download files from the Hub](https://huggingface.co/docs/huggingface_hub/guides/download), 2026-11-05 查阅)

> **网速慢或者没有网络**
>
> 下载超时默认是 10 秒。网络慢的时候，设置 `HF_HUB_DOWNLOAD_TIMEOUT=30`。文件进了缓存以后，设置 `HF_HUB_OFFLINE=1` 会让这些库只用缓存，适合火车上的笔记本，或者不能上网的服务器。

````bash
pip install -U "huggingface_hub"
hf auth login
hf auth whoami
hf download openai-community/gpt2 --dry-run
hf download gpt2 config.json model.safetensors
````

1. 新建一个虚拟环境，用 `pip install -U "huggingface_hub"` 安装这个库。命令行工具就包含在里面。
2. 创建令牌。在 [Hugging Face 的设置](https://huggingface.co/settings/tokens)里打开 **Access Tokens** 标签页，点 **New token**，再选角色、起名字。下载用只读令牌就够了。
3. 运行 `hf auth login`。它默认通过浏览器登录，会打印一个网址和一串短码。在服务器上，把令牌放进 `HF_TOKEN` 环境变量，再运行 `hf auth login --token $HF_TOKEN`，这样令牌原文不会留在 shell 历史里。
4. 用 `hf auth whoami` 确认登录成功。它会打印你的用户名和所属组织。
5. 用 `hf download openai-community/gpt2 --dry-run` 预览。这一步什么都不写入，每个文件都会显示还要下载多少字节。
6. 只下载你会读取的文件：`hf download gpt2 config.json model.safetensors`，这是下载指南里的写法。它会在最后一行打印本地路径。短 id 能用，是因为 Hub 会把 `gpt2` 重定向到 `openai-community/gpt2`。
7. 看一下这个路径。不加 `--local-dir` 时，文件会进入缓存，位置是 `~/.cache/huggingface/hub`，Windows 上是 `C:\Users\username\.cache\huggingface\hub`。设置 `HF_HOME` 可以把缓存挪到更大的硬盘上。

| 账号 | Hub API 调用 | 文件下载 | 网页浏览 |
| --- | --- | --- | --- |
| 未登录，按 IP 地址计算 | 500 | 3,000 | 100 |
| 免费账号 | 1,000 | 5,000 | 200 |
| PRO 账号 | 2,500 | 12,000 | 400 |

## 受限模型与令牌角色

**受限模型**是指作者要求你先提交申请、文件才会开放的模型。第 2 课文本生成示例用到的 [Gemma 2](https://huggingface.co/google/gemma-2-2b) 就是这样：它的页面要求你先阅读并同意 Google 的使用许可。

申请只能在浏览器里登录后提交。点 **Agree** 之后，你的 Hugging Face 用户名和邮箱会分享给作者，前提是作者选择收集这些信息，你在表单里填的内容也会一并发送。自动审批时，文件马上开放。人工审批时要等作者处理，而且作者以后可以随时取消你的访问权限，不会提前通知。

脚本要用登录那一步的令牌，因为浏览器里的登录状态不会带到 Python 里。在代码里，`huggingface_hub` 的 `login()` 会像命令行一样把令牌存好，下载函数也都接受一个 `token` 参数。在服务器上，设置好 `HF_TOKEN` 就够了，每次调用都会自动读取它。

每个令牌都有一个**角色**，规定它能做哪些事。按脚本要做的事选择角色。每台机器、每个应用各建一个令牌，作废其中一个时，其余照常工作。令牌泄露了，就在同一个 **Access Tokens** 标签页里删除或刷新它。

分享模型需要写入令牌。要发布你自己的模型文件夹，入门页面只用一条命令：`hf upload your-username/your-model-name ./my-model-directory`，大文件由命令行工具自己处理。只改一点小东西的话，仓库网页上有 **Files**，再点 **Add file** 就行。

| 角色 | 能做什么 | 适合用来 |
| --- | --- | --- |
| Read | 读取你有权读取的所有仓库，公开或私有都行 | 下载和推理调用 |
| Write | 只读角色能做的都能做，另外可以推送到你有写权限的仓库 | 上传模型或编辑模型卡 |
| Fine-grained | 只能访问创建时勾选的资源和操作 | 生产环境的应用，比如只读取某一个受限模型 |

## huggingface_hub 的维护者怎样应对速率限制和缓存

下载脚本最先撞上的，往往是速率限制。Célina Hanouti 是 Hugging Face 的工程师，也是 `huggingface_hub` 的共同维护者。她在 2025 年 12 月 5 日[在 X 上](https://x.com/hanouticelina/status/1996958360323735611)发布了 1.2 版，这一版更聪明地处理速率限制，上传、下载和 API 调用都更稳。如果脚本还是因此停下，先运行 `pip show huggingface_hub` 看看版本号，再决定要不要自己写重试代码。

2026 年 9 月，缓存也变了。这个库的维护者 Lucain Pouget 在 9 月 17 日[在 X 上](https://x.com/Wauplin/status/2100585417875603856)介绍了 1.32.0 版：下载过的文件可以在不同仓库之间共用。他举的例子是先下载 Qwen-Image，再下载 Qwen-Image-Edit，后者复用了 16.8 GB 的权重。文件上传时就校验了哈希值，所以同一份文件可以同时供两个模型使用。他给的升级命令是 `hf update`。

文件可以共用之后，更要用命令行来清理缓存，别手动删。[命令行指南](https://huggingface.co/docs/huggingface_hub/guides/cli)写明，`hf cache prune` 还会删除已经没有任何仓库引用的共享文件。

> Xet 在上传时校验文件哈希，所以跨仓库缓存是安全的。
>
> Lucain Pouget, huggingface_hub 维护者，引文为译文, [X](https://x.com/Wauplin/status/2100585417875603856) (2026-11-05 查阅)

[![Célina Hanouti（@hanouticelina）2025 年 12 月 5 日在 X 上发帖：在 Hugging Face Hub 上撞到 429 速率限制了吗？新的 huggingface_hub Python 库 v1.2 让这件事顺畅得多，它更聪明地处理速率限制，上传、下载和 API 调用都可靠得多](https://mindket.com/blog/shots/x-hanouticelina-hub-429-rate-limits.webp?v=a9149a1ca1bc)](https://x.com/hanouticelina/status/1996958360323735611)

Célina Hanouti 在 X 上，2025 年 12 月 5 日

[![Lucain Pouget（@Wauplin）2026 年 9 月 17 日在 X 上发帖：huggingface_hub v1.32.0 新增共享下载缓存。先下载 Qwen-Image，再下载 Qwen-Image-Edit，跨仓库复用了 16.8 GB 的权重。Xet 在上传时校验文件哈希，所以跨仓库缓存是安全的。用 hf update 升级](https://mindket.com/blog/shots/x-wauplin-shared-download-cache.webp?v=001d6ad68619)](https://x.com/Wauplin/status/2100585417875603856)

Lucain Pouget 在 X 上，2026 年 9 月 17 日

> X 官方嵌入卡片的截图，拍摄于 2026 年 11 月 5 日，时间为 UTC。点击截图可到 X 上打开原帖。

## 常见错误

- 照抄老教程里的 `huggingface-cli` 命令。v1.0 已经移除了这个名字，所以要逐条换掉：`huggingface-cli login` 现在是 `hf auth login`。
- 习惯性地下载整个仓库。一个仓库可能把同一份权重存成五六种格式，而你的代码只读其中一种。
- 把产品押在一个受限模型上，却没有备选。批不批由作者决定，批了也能收回，所以挑模型时顺手记下一个开放的替代品。
- 旁边明明有 safetensors 副本，却去加载 `.bin` 权重。这类文件用的是 pickle，Transformers 文档说这种 Python 格式不安全。
- 直接用 `hf download` 下载数据集。不加 `--repo-type dataset` 时，这个命令默认找的是模型；下载演示应用要加 `--repo-type space`。
- 把令牌原文直接写进命令里。它会留在 shell 历史中，所以命令行文档用环境变量来传令牌。
- 不登录就跑下载脚本。速率限制文档说，没有传 `HF_TOKEN` 是大家遇到 429 错误最常见的原因。
- 直接修改下载函数返回的路径里的文件。那个路径指向缓存，改动文件会损坏缓存。先复制出来，或者下载时加 `--local-dir`。
- 以为 `hf auth logout` 能让服务器退出登录。只要 `HF_TOKEN` 还在，命令行就会一直用它，直到你取消这个环境变量。

## 自己试一试

下面两行是下载指南里的过滤示例。GPT-2 是公开模型，不需要令牌。第一个模式保留所有 JSON 和 Markdown 文件，第二个模式仍然跳过分词器的词表文件，这样你能在同一个仓库上看到两种过滤一起起作用。

````python
from huggingface_hub import snapshot_download
snapshot_download(repo_id="gpt2", allow_patterns=["*.md", "*.json"], ignore_patterns="vocab.json")
````

- 把这两行粘贴进 Python 交互环境，它会显示调用返回的路径，再列出那个文件夹。预览里的哪些文件没有下载，各是被哪个模式挡掉的？
- 在终端里设置 `HF_HUB_OFFLINE=1`，再运行一次。断了网，它还会返回路径吗？
- 运行 `hf download openai-community/gpt2 --include "*.json" --dry-run`，数一数仓库里有多少个 JSON 文件。
- 在[模型页面](https://huggingface.co/models)找一个模型卡写着 `license: other` 的模型，打开它的许可证链接。收费应用能用它吗？
- 运行 `hf cache ls`，在列表里找到 GPT-2。再用 CLI 指南自己的示例 `hf cache rm model/gpt2` 删掉它，然后再列一次缓存。还剩下什么？

## 接下来

文件躺在硬盘上还什么都做不了。[第 2 课](https://mindket.com/cn/learn/hugging-face/transformers-pipeline)用一次 `pipeline()` 调用加载模型，并讲解决定它能不能跑起来的设备和内存设置。那一课的文本生成示例用的是受限的 [Gemma 2](https://huggingface.co/google/gemma-2-2b)，现在就去申请，等你学到那里，批准可能已经下来了。你的电脑跑不动的大模型放在第 3 课，由托管提供商替你运行。挑大模型之前，[本地大模型硬件那一课](https://mindket.com/cn/learn/local-ai/local-llm-hardware)讲了每种规模的模型需要多少内存。

## 自测一下

1. 用现在的 Hugging Face 命令行，哪条命令负责登录？

   A. huggingface-cli login
   B. hf login --password
   C. hf auth login
   D. pip login huggingface

   答案：C。 工具已改名为 hf，登录移到了 hf auth 下面，v1.0 也移除了 huggingface-cli 这个名字。

2. 给 hf download 加上 --dry-run 会怎样？

   A. 列出每个文件和还要下载的字节数，不写入任何东西
   B. 下载到一个临时文件夹
   C. 检查令牌后就停止
   D. 重新校验缓存里的每个文件

   答案：A。 预览会显示这次下载会新增什么，你就能去掉那些永远不会加载的格式。

3. 模型卡写着 license: other，使用之前该做什么？

   A. 什么都不用做，other 表示没有限制
   B. 换成 fp16 权重
   C. 创建一个写入令牌
   D. 阅读 license_name 指明、license_link 链接的条款

   答案：D。 other 表示自定义条款，只有这些条款能说明你的用法是否被允许。

4. 不加 --local-dir 时，hf download 把文件放在哪里？

   A. 当前文件夹
   B. 缓存里，默认在 ~/.cache/huggingface/hub
   C. Python 的 site-packages 里
   D. 退出时就删除的临时文件夹

   答案：B。 不传 --local-dir 时文件都进缓存，设置 HF_HOME 可以移动缓存位置。

## 常见问题

### Hugging Face 免费吗？

基础功能免费：注册账号、浏览和下载公开模型都不花钱。PRO 套餐会提高你的速率限制，并附带每月可用于托管模型的额度。免费账号没有每月额度，但可以自己购买。第 4 课会讲到托管演示应用在哪些情况下需要付费套餐。

### 怎样删除下载过的模型，腾出硬盘空间？

用缓存命令。`hf cache ls` 列出已存的内容，`hf cache rm` 删除你指定的仓库或版本，`hf cache prune` 删除没有任何引用的旧版本。两个删除命令都可以加 `--dry-run` 先预览。

### 我有权限的受限模型，整个团队都能用吗？

不能。访问权限是按个人用户授予的，所以每位同事都要自己申请。如果是生产环境的应用，令牌文档建议由一位有权限的成员创建一个细粒度令牌，只读取那一个模型。

### 能不能直接用 git clone 下载模型？

可以，每个模型都是一个 git 仓库，但大文件需要先安装 Git Xet 扩展（`git xet install`）。`hf` 工具不用额外设置就能处理大文件，还能只挑几个文件下载，clone 做不到这一点。

## 资料来源

- [Hugging Face Hub documentation](https://huggingface.co/docs/hub/index) (2026-11-05 查阅)
- [Hugging Face Hub: Model cards](https://huggingface.co/docs/hub/model-cards) (2026-11-05 查阅)
- [Hugging Face Hub: Licenses](https://huggingface.co/docs/hub/repositories-licenses) (2026-11-05 查阅)
- [Hugging Face Hub: Gated models](https://huggingface.co/docs/hub/models-gated) (2026-11-05 查阅)
- [Hugging Face Hub: User access tokens](https://huggingface.co/docs/hub/security-tokens) (2026-11-05 查阅)
- [Hugging Face Hub: Rate limits](https://huggingface.co/docs/hub/rate-limits) (2026-11-05 查阅)
- [Hugging Face Hub: Getting started with repositories](https://huggingface.co/docs/hub/repositories-getting-started) (2026-11-05 查阅)
- [huggingface_hub: Installation](https://huggingface.co/docs/huggingface_hub/installation) (2026-11-05 查阅)
- [huggingface_hub: Command Line Interface (CLI)](https://huggingface.co/docs/huggingface_hub/guides/cli) (2026-11-05 查阅)
- [Hugging Face: Download files from the Hub](https://huggingface.co/docs/huggingface_hub/guides/download) (2026-11-05 查阅)
- [huggingface_hub: Migrating to v1.0](https://huggingface.co/docs/huggingface_hub/concepts/migration) (2026-11-05 查阅)
- [Hugging Face blog: Say hello to hf](https://huggingface.co/blog/hf-cli) (2026-11-05 查阅)
- [Transformers: Installation](https://huggingface.co/docs/transformers/installation) (2026-11-05 查阅)
- [Transformers: Loading models](https://huggingface.co/docs/transformers/models) (2026-11-05 查阅)
- [Inference Providers: Pricing and billing](https://huggingface.co/docs/inference-providers/pricing) (2026-11-05 查阅)
- [Hugging Face: google/gemma-2-2b model page](https://huggingface.co/google/gemma-2-2b) (2026-11-05 查阅)
- [Célina Hanouti on X: huggingface_hub v1.2 and 429 rate limits](https://x.com/hanouticelina/status/1996958360323735611) (2026-11-05 查阅)
- [Lucain Pouget on X: a shared download cache in huggingface_hub v1.32.0](https://x.com/Wauplin/status/2100585417875603856) (2026-11-05 查阅)

[浏览 GitHub 项目](https://mindket.com/cn/github)