Hugging Face Tool Builder

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.

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.

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…