Huggingface

hugging-science 스킬은 Hugging Science 카탈로그와 `hugging-science` Hugging Face org에서 과학 AI 리소스를 찾고 활용하는 데 도움을 줍니다. 생물학, 화학, 기후, 유전체학, 소재, 천문학 등에서 실제로 실행하거나 인용할 수 있는 데이터셋, 모델, Space, 블로그 글이 필요할 때 잘 맞습니다. 일반 검색보다 hugging-science 사용법과 hugging-science 가이드 워크플로를 따라갈 때 활용하세요.

transformers-js를 사용해 브라우저와 서버 런타임 전반에서 JavaScript와 TypeScript로 ML 모델을 실행하세요. transformers-js 스킬은 설치, 모델 로딩, 캐싱, 설정, 그리고 텍스트·비전·오디오·멀티모달 작업에서의 실용적인 transformers-js 활용법을 다루며, 지원되는 텍스트 생성 모델로 Code Generation에 사용하는 방법도 포함합니다.

huggingface-vision-trainer는 객체 탐지, 이미지 분류, SAM/SAM2 세그멘테이션 같은 비전 학습 작업에 사용할 Hugging Face 스킬을 설치하고 활용하는 데 도움을 줍니다. 데이터셋 준비, 클라우드 GPU 설정, 평가, Trackio 로깅, 결과를 Hub에 푸시하는 과정까지 다루며, 백엔드 자동화와 반복 가능한 학습 워크플로에 적합합니다.

huggingface-tool-builder 스킬은 Hugging Face API 작업을 할 때 일회성 프롬프트 대신 재사용 가능한 명령줄 도구를 만들 수 있게 도와줍니다. 연쇄적인 API 호출, 중간 처리, 반복 가능한 fetch/enrich 단계, 그리고 shell, Python, TSX를 활용한 API 개발 워크플로우에 유용합니다.

huggingface-trackio는 Trackio로 ML 학습 실행을 추적하는 데 도움이 됩니다. 이 스킬을 사용하면 Python에서 메트릭을 기록하고, 학습 알림을 추가하고, trackio CLI로 실행을 조회하거나 분석할 수 있습니다. 실시간 대시보드, Hugging Face Space 동기화, 자동화를 위한 JSON 출력도 지원하므로, huggingface-trackio는 실험 추적과 데이터 분석에 유용합니다.

huggingface-papers는 Hugging Face 논문 페이지를 마크다운으로 읽고 papers API에서 작성자, 연결된 모델, 데이터셋, Spaces, GitHub 저장소, 프로젝트 페이지 등 구조화된 메타데이터를 추출하는 데 도움을 줍니다. Hugging Face 논문 URL, arXiv URL 또는 ID, 그리고 논문 페이지 근거가 필요한 Academic Research 워크플로에 적합합니다.

huggingface-paper-publisher는 Hugging Face Hub에서 연구 논문을 발행하고 관리하는 데 도움을 줍니다. arXiv 논문을 색인하고, 논문을 모델이나 데이터셋과 연결하고, 저자 정보를 검증하고, 기술 문서용 템플릿으로 마크다운 연구 글을 만드는 데 사용할 수 있습니다.

huggingface-llm-trainer는 TRL 또는 Unsloth를 사용해 Hugging Face Jobs에서 언어 모델과 비전 모델을 학습하거나 파인튜닝할 수 있게 해줍니다. 이 huggingface-llm-trainer skill은 SFT, DPO, GRPO, reward modeling, 데이터셋 점검, GPU 선택, Hub 저장, Trackio 모니터링, 그리고 백엔드 개발 워크플로를 위한 GGUF export에 활용할 수 있습니다.

huggingface-local-models는 Hugging Face 모델 중 llama.cpp와 GGUF로 로컬 실행 가능한 모델을 찾고, 실용적인 양자화 버전을 고른 뒤 CPU, Apple Metal, CUDA, 또는 ROCm에서 바로 실행할 수 있도록 돕습니다. 모델 탐색, 정확한 GGUF 파일 찾기, 서버/CLI 설정, 그리고 백엔드 개발과 비공개 로컬 추론을 위한 빠른 경로까지 다룹니다.

huggingface-community-evals는 inspect-ai 또는 lighteval로 Hugging Face Hub 모델 평가를 로컬에서 실행할 수 있게 도와줍니다. 백엔드 선택, 스모크 테스트, 그리고 vLLM, Transformers, accelerate 활용 가이드를 확인할 때 유용합니다. HF Jobs 오케스트레이션, model-card PR, .eval_results 게시, community-evals 자동화 용도에는 맞지 않습니다.

Hugging Face Dataset Viewer API 작업에 이 huggingface-datasets 스킬을 사용해 데이터셋을 검증하고, split을 확인하며, 행을 미리 보고 페이지네이션하고, 텍스트를 검색하고, 필터를 적용하고, parquet 링크나 통계를 가져올 수 있습니다. 읽기 전용 데이터셋 탐색을 위한 실용적인 huggingface-datasets 가이드입니다.

huggingface-best 스킬은 Hugging Face 벤치마크 리더보드를 확인하고 기기 제한과 모델 크기를 기준으로 필터링해, 작업에 가장 적합한 모델을 찾는 데 도움을 줍니다. 코딩, 추론, 채팅, OCR, RAG, 음성, 비전, 멀티모달 작업에서, 일반적인 모델 목록이 아니라 실용적인 후보군이 필요할 때 사용하세요.

huggingface-gradio는 Python에서 Gradio 웹 UI를 만들고 수정할 수 있게 도와주며, 데모, 챗봇, 프런트엔드 개발 워크플로에 특히 유용합니다. huggingface-gradio 스킬을 사용하면 컴포넌트를 고르고, 이벤트를 연결하고, 레이아웃을 잡는 과정을 덜 막연하게 진행할 수 있습니다.

hf-cli 스킬은 Hugging Face Hub CLI(`hf`)로 인증, 다운로드, 업로드, repo 및 bucket 관리, dataset과 model 확인, 그리고 기타 Hub 워크플로를 다루는 데 도움을 줍니다. Backend Development 팀이 반복 가능하고 스크립트화된 hf-cli 사용법과 실용적인 hf-cli 가이드를 원할 때 특히 유용합니다.

transformers 스킬은 Hugging Face Transformers를 사용해 모델 로딩, 추론, 토큰화, 파인튜닝을 수행하는 데 도움이 됩니다. 텍스트, 비전, 오디오, 멀티모달 워크플로 전반에서 머신러닝 작업을 위한 실용적인 transformers 가이드로, 빠른 베이스라인부터 커스텀 학습까지 자연스럽게 이어집니다.