Transformers

A skill hugging-science ajuda você a encontrar e usar recursos de IA científica no catálogo Hugging Science e na organização `hugging-science` do Hugging Face. Ela é indicada para biologia, química, clima, genômica, materiais, astronomia e trabalhos semelhantes quando você precisa de um dataset, modelo, Space ou post de blog que realmente possa executar ou citar. Use-a para fluxos de uso do hugging-science e do guia hugging-science em vez de uma busca genérica.

Use transformers-js para executar modelos de ML em JavaScript e TypeScript no navegador e em runtimes de servidor. A skill transformers-js cobre instalação, carregamento de modelos, cache, configuração e uso prático do transformers-js para tarefas de texto, visão, áudio, multimodais e geração de código com modelos de text-generation compatíveis.

A skill huggingface-vision-trainer ajuda você a instalar e usar uma skill do Hugging Face para jobs de treinamento em visão: detecção de objetos, classificação de imagens e segmentação com SAM/SAM2. Cobre preparação de datasets, configuração de GPU na nuvem, avaliação, logging com Trackio e envio dos resultados para o Hub. É ideal para automação de backend e fluxos de treinamento repetíveis.

huggingface-llm-trainer ajuda você a treinar ou fazer fine-tuning de modelos de linguagem e visão no Hugging Face Jobs com TRL ou Unsloth. Use esta skill huggingface-llm-trainer para SFT, DPO, GRPO, reward modeling, validação de datasets, escolha de GPU, salvamento no Hub, monitoramento com Trackio e exportação para GGUF em fluxos de trabalho de desenvolvimento de backend.

O huggingface-community-evals ajuda você a executar localmente avaliações de modelos do Hugging Face Hub com inspect-ai ou lighteval. Use-o para escolher o backend, fazer smoke tests e consultar um guia prático de vLLM, Transformers ou accelerate. Não é para orquestração de HF Jobs, PRs de model card, publicação de .eval_results ou automação de community-evals.

A skill transformers ajuda você a usar o Hugging Face Transformers para carregamento de modelos, inferência, tokenização e fine-tuning. É um guia prático de transformers para tarefas de Machine Learning em fluxos de texto, visão, áudio e multimodais, com caminhos claros para partir de baselines rápidas ou treinamento personalizado.