Skills Hugging Face

Add descriptions for new models from the HuggingFace router to chat-ui configuration. Use when new models are released on the router and need descriptions…

Corrige les vérifications de typage défectueuses détectées par ty, make typing ou make check-repo. À utiliser lorsque des erreurs de typage apparaissent dans les exécutions locales, l’intégration continue ou les logs de PR.

Provides guidance for writing and benchmarking optimized CUDA kernels for NVIDIA GPUs (H100, A100, T4) targeting HuggingFace diffusers and transformers…

Construire des interfaces web et démos Gradio en Python. À utiliser lors de la création ou de la modification d'applications, composants, écouteurs d'événements, mises en page ou chatbots Gradio.

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

Utilisez le Hub Hugging Face via les outils du serveur MCP. Recherchez des modèles, des ensembles de données, des Spaces, des articles. Obtenez les détails des dépôts, récupérez la documentation, exécutez des tâches de calcul et utilisez Gradio…

Générer les notes de version du Hugging Face Hub (huggingface_hub) à partir des fichiers JSON de PR en cache. Utiliser lorsqu'on demande de rédiger des notes de version à partir de fichiers de PR.

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.

Create and manage datasets on Hugging Face Hub. Supports initializing repos, defining configs/system prompts, streaming row updates, and SQL-based dataset querying/transformation. Designed to work alongside HF MCP server for comprehensive dataset workflows.

Ajouter et gérer les résultats d'évaluation dans les fiches de modèles Hugging Face. Prend en charge l'extraction de tableaux d'évaluation à partir du contenu README, l'importation de scores depuis l'API Artificial Analysis, et l'exécution d'évaluations personnalisées de modèles avec vLLM/lighteval. Fonctionne avec le format de métadonnées model-index.

Exécutez n'importe quelle charge de travail sur l'infrastructure Hugging Face Jobs. Couvre les scripts UV, les tâches basées sur Docker, la sélection de matériel, l'estimation des coûts, l'authentification avec jetons, la gestion des secrets, la configuration du délai d'attente et la persistance des résultats. Conçu pour des charges de travail de calcul général, y compris le traitement de données, l'inférence, les expériences, les tâches par lots et toute tâche basée sur Python.

Entraînez ou affinez des modèles de langage en utilisant TRL (Transformer Reinforcement Learning) sur l'infrastructure Hugging Face Jobs. Couvre les méthodes d'entraînement SFT, DPO, GRPO et le reward modeling, ainsi que la conversion en GGUF pour

Publier et gérer des articles de recherche sur Hugging Face Hub. Prend en charge la création de pages d'articles, la liaison d'articles à des modèles/ensembles de données, la revendication de paternité et la génération d'articles de recherche professionnels basés sur Markdown.

Construisez des scripts et outils réutilisables en utilisant l'API Hugging Face. Utile pour enchaîner ou combiner des appels API, ou lorsque des tâches seront répétées/automatisées. Crée des scripts en ligne de commande réutilisables pour récupérer, enrichir ou traiter des données depuis Hugging Face Hub.

Suivez et visualisez les expériences d'entraînement en ML avec Trackio. À utiliser lors de l'enregistrement de métriques pendant l'entraînement (API Python) ou de la récupération/analyse de métriques enregistrées (CLI). Prend en charge la visualisation en temps réel sur tableau de bord, la synchronisation HF Space et la sortie JSON pour l'automatisation.

Utilisez cette compétence pour les workflows de l'API Hugging Face Dataset Viewer qui récupèrent les métadonnées de sous-ensembles/divisions, paginent les lignes, recherchent du texte, appliquent des filtres, téléchargent du parquet…

Entraîne et affine les modèles de détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS) en utilisant Hugging Face Transformers sur les GPU cloud de Hugging Face Jobs. Couvre…

Consulter et lire les pages de papiers Hugging Face en markdown, et utiliser l'API des papiers pour obtenir des métadonnées structurées telles que les auteurs, les modèles/datasets/spaces liés, Github…

Entraîne et affine les modèles de vision pour la détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS), la classification d'images (modèles timm — MobileNetV3, MobileViT, ResNet,…

Trouve les meilleurs modèles pour une tâche en interrogeant les classements officiels des benchmarks HF, enrichit les résultats avec les données de taille des modèles, filtre selon ce qui tient sur l’appareil de l’utilisateur, et renvoie un tableau comparatif avec les scores des benchmarks.

Exécutez des évaluations pour les modèles du Hugging Face Hub en utilisant inspect-ai et lighteval sur du matériel local. Utilisez pour la sélection du backend, les évaluations GPU locales et le choix entre…

Utilisez cette compétence pour les workflows de l'API Hugging Face Dataset Viewer qui récupèrent les métadonnées de sous-ensembles/divisions, paginent les lignes, recherchent du texte, appliquent des filtres, téléchargent du parquet…

Build Gradio web UIs and demos in Python. Use when creating or editing Gradio apps, components, event listeners, layouts, or chatbots.

Cette compétence doit être utilisée lorsque les utilisateurs souhaitent exécuter une charge de travail sur l'infrastructure Hugging Face Jobs. Couvre les scripts UV, les tâches basées sur Docker, la sélection du matériel,…

Entraîner ou affiner des modèles de langage et de vision en utilisant TRL (Transformer Reinforcement Learning) ou Unsloth avec l'infrastructure Hugging Face Jobs. Couvre SFT, DPO,…

Utiliser pour sélectionner des modèles à exécuter localement avec llama.cpp et GGUF sur CPU, Mac Metal, CUDA ou ROCm. Couvre la recherche de GGUFs, la sélection de quant, l'exécution de serveurs, exact…

Publier et gérer des articles de recherche sur le Hugging Face Hub. Prend en charge la création de pages d'articles, le lien entre articles et modèles/ensembles de données, la revendication de paternité, et la génération…

Consulter et lire les pages de papiers Hugging Face en markdown, et utiliser l'API des papiers pour obtenir des métadonnées structurées telles que les auteurs, les modèles/datasets/spaces liés, GitHub…

Utilisez cette compétence lorsque l'utilisateur souhaite construire des outils/scripts ou accomplir une tâche où l'utilisation de données de l'API Hugging Face serait utile. Ceci est particulièrement utile…

Track and visualize ML training experiments with Trackio. Use when logging metrics during training (Python API), firing alerts for training diagnostics, or…

Entraîne et affine les modèles de vision pour la détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS), la classification d'images (modèles timm — MobileNetV3, MobileViT, ResNet,…

Démarrer et tester le serveur d'inférence prime-rl. Utiliser lorsqu'il est demandé d'exécuter une inférence, de démarrer vLLM, de tester un modèle ou de lancer le serveur d'inférence.

Fournit des conseils pour écrire et évaluer des noyaux Triton optimisés pour les GPU AMD (MI355X, R9700) sur ROCm, ciblant les diffuseurs HuggingFace (LTX-Video, SD3,…)

Comment écrire et utiliser des configurations TOML dans prime-rl. À utiliser lors de la création de fichiers de configuration, de l'exécution de commandes avec des configurations, ou de la substitution de valeurs de configuration via CLI.

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

Utilisez Transformers.js pour exécuter des modèles d'apprentissage automatique de pointe directement en JavaScript/TypeScript. Prend en charge le NLP (classification de texte, traduction,…)

Entraînez et affinez des modèles de langage transformeurs en utilisant TRL (Transformers Reinforcement Learning). Prend en charge l’entraînement SFT, DPO, GRPO, KTO, RLOO et les modèles de récompense…