Hugging Face Skills

Füge Beschreibungen für neue Modelle vom HuggingFace-Router zur chat-ui-Konfiguration hinzu. Verwende dies, wenn neue Modelle auf dem Router veröffentlicht werden und Beschreibungen benötigen…

Behebt defekte Typüberprüfungen, die von ty, make typing oder make check-repo erkannt wurden. Verwenden, wenn Typfehler in lokalen Ausführungen, CI- oder PR-Protokollen auftreten.

Bietet Anleitung zum Schreiben und Benchmarken optimierter CUDA-Kernel für NVIDIA GPUs (H100, A100, T4) mit Fokus auf HuggingFace Diffusers und Transformers…

Erstelle Gradio-Weboberflächen und Demos in Python. Verwende dies beim Erstellen oder Bearbeiten von Gradio-Apps, Komponenten, Ereignis-Listenern, Layouts oder Chatbots.

Hugging Face Hub CLI (`hf`) for downloading, uploading, and managing models, datasets, spaces, buckets, repos, papers, jobs, and more on the Hugging Face Hub.…

Nutze den Hugging Face Hub über MCP-Server-Tools. Durchsuche Modelle, Datensätze, Spaces, Papers. Rufe Repo-Details ab, rufe Dokumentationen ab, führe Compute-Jobs aus und nutze Gradio…

Generiere Hugging Face Hub (huggingface_hub) Release-Notizen aus zwischengespeicherten PR-JSON-Dateien. Verwende, wenn aufgefordert, Release-Notizen aus PR-Dateien zu entwerfen.

Execute Hugging Face Hub operations using the `hf` CLI. Use when the user needs to download models/datasets/spaces, upload files to Hub repositories, create repos, manage local cache, or run compute jobs on HF infrastructure. Covers authentication, file transfers, repository creation, cache operations, and cloud compute.

Erstellen und verwalten Sie Datensätze auf dem Hugging Face Hub. Unterstützt das Initialisieren von Repos, das Definieren von Konfigurationen/System-Prompts, das Streamen von Zeilenaktualisierungen und SQL-basierte Abfragen/Transformationen von Datensätzen. Entwickelt, um zusammen mit dem HF MCP-Server für umfassende Dataset-Workflows zu arbeiten.

Evaluierungsergebnisse in Hugging Face-Modellkarten hinzufügen und verwalten. Unterstützt das Extrahieren von Evaluierungstabellen aus README-Inhalten, das Importieren von Bewertungen aus der Artificial Analysis API und das Durchführen benutzerdefinierter Modellevaluierungen mit vLLM/lighteval. Funktioniert mit dem model-index-Metadatenformat.

Führen Sie beliebige Workloads auf der Hugging Face Jobs-Infrastruktur aus. Umfasst UV-Skripte, Docker-basierte Jobs, Hardwareauswahl, Kostenschätzung, Authentifizierung mit Tokens, Secrets-Verwaltung, Timeout-Konfiguration und Ergebnis-Persistenz. Entwickelt für universelle Compute-Workloads wie Datenverarbeitung, Inferenz, Experimente, Batch-Jobs und beliebige Python-basierte Aufgaben.

Trainieren oder Feintunen von Sprachmodellen mit TRL (Transformer Reinforcement Learning) auf der Hugging Face Jobs-Infrastruktur. Umfasst SFT-, DPO-, GRPO- und Belohnungsmodell-Trainingsmethoden sowie GGUF-Konvertierung für die lokale Bereitstellung. Enthält Anleitungen zur Datensatzvorbereitung, Hardwareauswahl, Kostenschätzung und Modellpersistenz.

Veröffentlichen und verwalten Sie Forschungspapiere im Hugging Face Hub. Unterstützt das Erstellen von Papierseiten, das Verknüpfen von Papieren mit Modellen/Datensätzen, die Autorenangabe und das Generieren professioneller, auf Markdown basierender Forschungsartikel.

Erstellen Sie wiederverwendbare Skripte und Tools mit der Hugging Face API. Nützlich beim Verketten oder Kombinieren von API-Aufrufen oder wenn Aufgaben wiederholt/automatisiert werden. Erstellt wiederverwendbare Befehlszeilenskripte zum Abrufen, Anreichern oder Verarbeiten von Daten aus dem Hugging Face Hub.

ML-Trainingsexperimente mit Trackio verfolgen und visualisieren. Verwenden beim Protokollieren von Metriken während des Trainings (Python-API) oder beim Abrufen/Analysieren protokollierter Metriken (CLI). Unterstützt Echtzeit-Dashboard-Visualisierung, HF Space-Synchronisierung und JSON-Ausgabe für Automatisierung.

Nutze diese Fähigkeit für Arbeitsabläufe der Hugging Face Dataset Viewer API, die Subset-/Split-Metadaten abrufen, Zeilen paginieren, Text durchsuchen, Filter anwenden, Parquet herunterladen …

Trainiert und verfeinert Objekterkennungsmodelle (D-FINE, RT-DETR v2, DETR, YOLOS) mit Hugging Face Transformers auf Hugging Face Jobs Cloud-GPUs. Deckt ab…

Hugging Face Paper-Seiten in Markdown nachschlagen und lesen sowie die Papers-API für strukturierte Metadaten wie Autoren, verknüpfte Modelle/Datensätze/Spaces, GitHub … nutzen.

Trainiert und feinabstimmt Vision-Modelle für Objekterkennung (D-FINE, RT-DETR v2, DETR, YOLOS), Bildklassifikation (timm-Modelle — MobileNetV3, MobileViT, ResNet,…

Findet die besten Modelle für eine Aufgabe, indem es offizielle HF-Benchmark-Leaderboards abfragt, Ergebnisse mit Modelldaten anreichert, nach Kompatibilität mit dem Gerät des Nutzers filtert und eine Vergleichstabelle mit Benchmark-Ergebnissen zurückgibt.

Führen Sie Evaluierungen für Hugging Face Hub-Modelle mit inspect-ai und lighteval auf lokaler Hardware durch. Verwenden Sie dies zur Backend-Auswahl, lokalen GPU-Evaluierungen und zur Wahl zwischen…

Nutze diese Fähigkeit für Hugging Face Dataset Viewer API-Workflows, die Subset/Split-Metadaten abrufen, Zeilen paginieren, Text durchsuchen, Filter anwenden, Parquet herunterladen …

Erstelle Gradio-Web-Oberflächen und Demos in Python. Verwende dies beim Erstellen oder Bearbeiten von Gradio-Apps, Komponenten, Ereignis-Listenern, Layouts oder Chatbots.

Diese Fähigkeit sollte verwendet werden, wenn Benutzer Workloads auf der Hugging Face Jobs-Infrastruktur ausführen möchten. Deckt UV-Skripte, Docker-basierte Jobs, Hardwareauswahl, … ab.

Trainieren oder Feintunen von Sprach- und Bildmodellen mit TRL (Transformer Reinforcement Learning) oder Unsloth auf der Hugging Face Jobs-Infrastruktur. Umfasst SFT, DPO,…

Verwenden, um Modelle auszuwählen, die lokal mit llama.cpp und GGUF auf CPU, Mac Metal, CUDA oder ROCm ausgeführt werden sollen. Deckt das Finden von GGUFs, die Quantisierungsauswahl, das Ausführen von Servern, genaue…

Veröffentlichen und verwalten Sie Forschungspapiere auf dem Hugging Face Hub. Unterstützt das Erstellen von Papierseiten, das Verknüpfen von Papieren mit Modellen/Datensätzen, das Beanspruchen der Autorenschaft und das Generieren…

Hugging Face Paper-Seiten in Markdown nachschlagen und lesen sowie die Papers-API für strukturierte Metadaten wie Autoren, verknüpfte Modelle/Datensätze/Spaces, GitHub usw. nutzen.

Verwenden Sie diese Fähigkeit, wenn der Benutzer Tools/Skripte erstellen oder eine Aufgabe erledigen möchte, bei der die Nutzung von Daten aus der Hugging Face API hilfreich wäre. Dies ist besonders nützlich…

ML-Trainingsexperimente mit Trackio verfolgen und visualisieren. Verwenden beim Protokollieren von Metriken während des Trainings (Python-API), Auslösen von Warnungen für Trainingsdiagnosen oder…

Trainiert und feinabstimmt Vision-Modelle für Objekterkennung (D-FINE, RT-DETR v2, DETR, YOLOS), Bildklassifikation (timm-Modelle — MobileNetV3, MobileViT, ResNet,…

Starte und teste den prime-rl Inference-Server. Verwende dies, wenn du aufgefordert wirst, eine Inferenz auszuführen, vLLM zu starten, ein Modell zu testen oder den Inference-Server zu starten.

Bietet Anleitung zum Schreiben und Benchmarken optimierter Triton-Kernel für AMD-GPUs (MI355X, R9700) auf ROCm, ausgerichtet auf HuggingFace Diffusers (LTX-Video, SD3,…)

So schreibt und verwendet man TOML-Konfigurationen in prime-rl. Verwenden Sie dies beim Erstellen von Konfigurationsdateien, beim Ausführen von Befehlen mit Konfigurationen oder beim Überschreiben von Konfigurationswerten über die CLI.

Train or fine-tune sentence-transformers models across `SentenceTransformer` (bi-encoder; dense or static embedding model; for retrieval, similarity,…

Nutze Transformers.js, um hochmoderne Machine-Learning-Modelle direkt in JavaScript/TypeScript auszuführen. Unterstützt NLP (Textklassifikation, Übersetzung,…

Trainieren und Feinabstimmen von Transformer-Sprachmodellen mit TRL (Transformers Reinforcement Learning). Unterstützt SFT, DPO, GRPO, KTO, RLOO und Reward-Modell-Training…