Hugging Face es una plataforma para publicar, encontrar y usar modelos de inteligencia artificial, conjuntos de datos y aplicaciones de demostración. Se la suele llamar “el GitHub de la IA”: casi todos los modelos abiertos, desde Llama y Qwen hasta DeepSeek y Mistral, se publican ahí. Además mantiene bibliotecas libres, como Transformers, que son la base de buena parte del trabajo con IA en Python.
Qué ofrece Hugging Face
La plataforma central se llama Hub y tiene tres tipos de repositorios:
| Sección | Qué contiene | Ejemplo de uso |
|---|---|---|
| Models | Modelos entrenados: de lenguaje, de imagen, de voz, de traducción | Descargar un modelo para correrlo en tu equipo |
| Datasets | Conjuntos de datos para entrenar o evaluar | Bajar un corpus en español para ajustar un modelo |
| Spaces | Aplicaciones web de demostración, hechas con Gradio, Streamlit o Docker | Probar un modelo desde el navegador sin instalar nada |
Cada repositorio funciona con Git, igual que en GitHub: tiene historial de versiones, discusiones y la posibilidad de clonarlo.
De dónde viene
Hugging Face nació en 2016 en Nueva York, fundada por Clément Delangue, Julien Chaumond y Thomas Wolf, como una aplicación de chat para adolescentes. El nombre y el logo vienen del emoji 🤗. En 2018 publicaron como código abierto la biblioteca que usaban para su chatbot; la comunidad la adoptó tan rápido que la empresa giró por completo hacia la infraestructura para IA abierta. Hoy el Hub aloja más de un millón de modelos.
Cómo buscar un modelo
- Entra a huggingface.co/models.
- Filtra por tarea en el panel izquierdo: Text Generation para modelos de chat, Automatic Speech Recognition para transcribir audio, Translation, Text-to-Image, etc.
- Filtra por idioma (Spanish) si necesitas que funcione bien en español.
- Filtra por licencia si lo vas a usar en un producto: Apache 2.0 y MIT son las más seguras para uso comercial.
- Ordena por descargas o por tendencia para ver los más usados.
Cómo leer la ficha de un modelo
Cada modelo tiene una model card, la página principal del repositorio. Lo que conviene revisar:
- Licencia: aparece arriba, en las etiquetas. Algunos modelos exigen aceptar condiciones antes de descargar (por ejemplo, Llama y Gemma). Más sobre esto en IA de código abierto.
- Tamaño: el número de parámetros, normalmente en el nombre (
7B,14B). Define cuánta memoria necesitas. Si no sabes qué significan, revisa qué es un LLM. - Formato de los archivos:
safetensorses el formato estándar para usar con Python.GGUFes el formato para programas como llama.cpp, Ollama o LM Studio. - Uso previsto y limitaciones: las fichas buenas explican para qué se entrenó el modelo y en qué falla.
Los modelos con GGUF en el nombre suelen ser versiones cuantizadas, preparadas por la comunidad para correr en computadores comunes. Ollama puede descargarlos directamente del Hub:
ollama run hf.co/usuario/modelo-GGUFLas bibliotecas libres de Hugging Face
Además del Hub, la empresa mantiene bibliotecas de código abierto, casi todas con licencia Apache 2.0:
| Biblioteca | Para qué sirve |
|---|---|
| Transformers | Cargar, usar y ajustar modelos de lenguaje, visión y audio en Python |
| Datasets | Descargar y procesar conjuntos de datos grandes |
| Diffusers | Modelos de generación de imágenes (para usarlos sin programar, ver ComfyUI) |
| Tokenizers | Convertir texto en tokens, rápido |
| PEFT | Ajustar modelos grandes con poca memoria (técnicas como LoRA) |
| huggingface_hub | Subir y bajar archivos del Hub desde Python o la terminal |
Un ejemplo mínimo con Transformers, para clasificar el sentimiento de un texto:
from transformers import pipeline
clasificador = pipeline("sentiment-analysis", model="pysentimiento/robertuito-sentiment-analysis")
print(clasificador("El soporte respondió rápido y resolvió todo"))Cuánto cuesta
Explorar, descargar modelos y publicar repositorios públicos es gratis. Se paga por:
- Cuenta Pro: más cuota de uso en los servicios de inferencia y en Spaces con hardware acelerado.
- Hardware para Spaces: CPU y GPU por hora para aplicaciones que necesitan más potencia.
- Inference Endpoints: desplegar un modelo en un servidor dedicado administrado por Hugging Face.
- Planes para equipos y empresas: repositorios privados con control de acceso, auditoría e inicio de sesión corporativo.
Los precios cambian con frecuencia; están en huggingface.co/pricing.
Precauciones
- Cualquiera puede publicar. No todos los modelos son confiables. Prefiere los de organizaciones conocidas o con muchas descargas.
- Usa
safetensors. El formato antiguo de PyTorch (.bin,.pt) puede ejecutar código al cargarse.safetensorsno. - Revisa la licencia de los datos si vas a entrenar con un dataset del Hub: muchos tienen restricciones distintas a las del modelo.
Preguntas frecuentes
¿Hugging Face es gratis? Sí, para explorar, descargar modelos y publicar repositorios públicos. Se paga por la cuenta Pro, el hardware para Spaces, los Inference Endpoints y los planes para equipos y empresas.
¿Para qué sirve Hugging Face? Para publicar, encontrar y usar modelos de inteligencia artificial, conjuntos de datos y aplicaciones de demostración. Casi todos los modelos abiertos, como Llama, Qwen o DeepSeek, se publican ahí.
¿Qué es un archivo GGUF? Es el formato de modelo que usan programas como llama.cpp, Ollama y LM Studio. Los modelos GGUF suelen ser versiones cuantizadas para correr en computadores comunes.
¿Es seguro descargar modelos de Hugging Face? Depende del modelo: cualquiera puede publicar, así que conviene preferir organizaciones conocidas o modelos con muchas descargas. Usa archivos safetensors, porque el formato antiguo de PyTorch puede ejecutar código al cargarse.
¿Cómo uso un modelo de Hugging Face con Ollama? Con el comando ollama run seguido de hf.co/usuario/modelo, si el repositorio tiene archivos GGUF. Cómo instalar Ollama está en Ollama: IA local.
Fuentes
- Documentación del Hub, Hugging Face.
- Documentación de Transformers.
- Model cards, guía oficial.
- Safetensors, por qué es más seguro.
- Usar modelos GGUF del Hub con Ollama.