Huggingface

Die hugging-science-Skill hilft dir, wissenschaftliche KI-Ressourcen aus dem Hugging Science-Katalog und der Hugging-Face-Organisation `hugging-science` zu finden und zu nutzen. Sie passt zu Biologie, Chemie, Klima, Genomik, Materialwissenschaften, Astronomie und ähnlichen Aufgaben, wenn du einen Datensatz, ein Modell, einen Space oder einen Blogbeitrag suchst, den du tatsächlich ausführen oder zitieren kannst. Nutze sie für hugging-science-Nutzung und hugging-science-Guide-Workflows statt für eine allgemeine Suche.

Nutze transformers-js, um ML-Modelle in JavaScript und TypeScript in Browser- und Server-Runtimes auszuführen. Der transformers-js Skill deckt Installation, Modell-Ladevorgang, Caching, Konfiguration und praktische transformers-js Nutzung für Text-, Bild-, Audio- und Multimodal-Tasks ab sowie transformers-js für Code Generation mit unterstützten Text-Generation-Modellen.

huggingface-vision-trainer hilft dir bei der Installation und Nutzung eines Hugging Face Skills für Vision-Trainingsjobs: Objekterkennung, Bildklassifikation und SAM/SAM2-Segmentierung. Abgedeckt werden Dataset-Vorbereitung, Cloud-GPU-Setup, Evaluation, Trackio-Logging und das Hochladen der Ergebnisse zum Hub. Ideal für Backend-Automatisierung und wiederholbare Trainings-Workflows.

Das Skill „huggingface-tool-builder“ hilft dir, wiederverwendbare Kommandozeilen-Tools für die Arbeit mit der Hugging Face API zu erstellen – statt einmalige Prompts zu bauen. Es eignet sich für verkettete API-Aufrufe, Zwischenschritte in der Verarbeitung, wiederholbare Fetch-/Enrich-Abläufe und API-Entwicklungs-Workflows mit Shell, Python oder TSX.

huggingface-trackio hilft dabei, ML-Trainingsläufe mit Trackio zu verfolgen. Nutze diese Skill-Guide, um Metriken aus Python zu protokollieren, Trainingsalarme einzurichten und Läufe mit der trackio CLI abzurufen oder zu analysieren. Sie unterstützt Echtzeit-Dashboards, die Synchronisierung mit Hugging Face Spaces und JSON-Ausgabe für Automatisierungen und ist damit für Experiment-Tracking und Datenanalyse nützlich.

huggingface-papers hilft dir, Hugging Face Paper-Seiten in Markdown zu lesen und strukturierte Metadaten aus der Papers API zu extrahieren, darunter Autor:innen, verknüpfte Modelle, Datensätze, Spaces, GitHub-Repos und Projektseiten. Verwende es für Hugging-Face-Paper-URLs, arXiv-URLs oder -IDs sowie für Academic-Research-Workflows, die Belege aus der Paper-Seite benötigen.

huggingface-paper-publisher hilft dabei, Forschungsarbeiten auf dem Hugging Face Hub zu veröffentlichen und zu verwalten. Damit lassen sich arXiv-Papers indexieren, Papers mit Modellen oder Datensätzen verknüpfen, die Autorenschaft prüfen und Markdown-Forschungsartikel mit Vorlagen für technisches Schreiben erstellen.

huggingface-llm-trainer hilft dir, Sprach- und Vision-Modelle auf Hugging Face Jobs mit TRL oder Unsloth zu trainieren oder feinzujustieren. Nutze diese huggingface-llm-trainer Skill für SFT, DPO, GRPO, Reward Modeling, Dataset-Checks, GPU-Auswahl, Speichern auf dem Hub, Trackio-Monitoring und GGUF-Export in Backend-Entwicklungs-Workflows.

huggingface-local-models hilft dir dabei, Hugging Face-Modelle zu finden, die sich lokal mit llama.cpp und GGUF ausführen lassen, eine praxistaugliche Quantisierung zu wählen und sie auf CPU, Apple Metal, CUDA oder ROCm zu starten. Der Leitfaden deckt Modellentdeckung, die exakte Suche nach GGUF-Dateien, Server- vs. CLI-Setup und einen schnellen Pfad für Backend-Entwicklung und private lokale Inferenz ab.

huggingface-community-evals hilft dir, Modelle aus dem Hugging Face Hub lokal mit inspect-ai oder lighteval zu evaluieren. Nutze es für die Auswahl des Backends, Smoke Tests und einen praxisnahen Einstieg in vLLM, Transformers oder accelerate. Nicht gedacht für HF Jobs-Orchestrierung, model-card-PRs, das Veröffentlichen von .eval_results oder community-evals-Automatisierung.

Nutze die Skill "huggingface-datasets" für Workflows mit der Hugging Face Dataset Viewer API, um Datensätze zu validieren, Splits aufzulösen, Zeilen vorzuschauen und zu paginieren, Text zu durchsuchen, Filter anzuwenden sowie Parquet-Links oder Statistiken abzurufen. Ein praktischer huggingface-datasets Leitfaden für die schreibgeschützte Erkundung von Datensätzen.

Die huggingface-best Skill hilft dir, das beste Modell für eine Aufgabe zu finden, indem sie Hugging Face-Benchmark-Leaderboards prüft und nach Gerätegrenzen sowie Modellgröße filtert. Nutze sie für Modell-Empfehlungen in Coding, Reasoning, Chat, OCR, RAG, Speech, Vision oder multimodalen Workflows, wenn du eine praktische Shortlist statt einer allgemeinen Modellliste brauchst.

huggingface-gradio hilft dir, Gradio-Web-UIs in Python für Demos, Chatbots und Frontend-Workflows zu bauen und zu bearbeiten. Nutze das huggingface-gradio Skill, um Komponenten auszuwählen, Events zu verdrahten und Layouts mit weniger Rätselraten zu gestalten.

Die hf-cli-Skill hilft dir dabei, die Hugging Face Hub CLI (`hf`) für Authentifizierung, Downloads, Uploads, Repo- und Bucket-Verwaltung, das Prüfen von Datensätzen und Modellen sowie weitere Hub-Workflows zu nutzen. Sie ist besonders nützlich für Backend-Development-Teams, die wiederholbare, skriptbare hf-cli-Nutzung und einen praxisnahen hf-cli-Leitfaden suchen.

Die transformers-Skill hilft dir bei der Nutzung von Hugging Face Transformers für Modellladen, Inferenz, Tokenisierung und Fine-Tuning. Sie ist ein praxisnaher transformers-Leitfaden für Machine-Learning-Aufgaben über Text-, Bild-, Audio- und multimodale Workflows hinweg, mit klaren Wegen für schnelle Baselines und eigenes Training.