Skills Hugging Face

Tambahkan deskripsi untuk model baru dari router HuggingFace ke konfigurasi chat-ui. Gunakan saat model baru dirilis di router dan memerlukan deskripsi…

Memperbaiki pemeriksaan tipe yang rusak yang terdeteksi oleh ty, make typing, atau make check-repo. Gunakan ketika kesalahan tipe muncul di proses lokal, CI, atau log PR.

Memberikan panduan untuk menulis dan melakukan benchmarking kernel CUDA yang dioptimalkan untuk GPU NVIDIA (H100, A100, T4) yang menargetkan HuggingFace diffusers dan transformers…

Bangun UI web dan demo Gradio dengan Python. Gunakan saat membuat atau mengedit aplikasi Gradio, komponen, pendengar acara, tata letak, atau chatbot.

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

Gunakan Hugging Face Hub melalui alat server MCP. Cari model, dataset, Spaces, makalah. Dapatkan detail repositori, ambil dokumentasi, jalankan tugas komputasi, dan gunakan Gradio…

Hasilkan catatan rilis Hugging Face Hub (huggingface_hub) dari file JSON PR yang di-cache. Gunakan saat diminta untuk menyusun catatan rilis dari file 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.

Buat dan kelola dataset di Hugging Face Hub. Mendukung inisialisasi repositori, mendefinisikan konfigurasi/prompt sistem, pembaruan baris secara streaming, serta kueri/transformasi dataset berbasis SQL. Dirancang untuk bekerja bersama server HF MCP guna mendukung alur kerja dataset yang komprehensif.

Tambahkan dan kelola hasil evaluasi di kartu model Hugging Face. Mendukung ekstraksi tabel evaluasi dari konten README, mengimpor skor dari Artificial Analysis API, dan menjalankan evaluasi model kustom dengan vLLM/lighteval. Bekerja dengan format metadata model-index.

Jalankan beban kerja apa pun di infrastruktur Hugging Face Jobs. Mencakup skrip UV, pekerjaan berbasis Docker, pemilihan perangkat keras, estimasi biaya, autentikasi dengan token, manajemen rahasia, konfigurasi batas waktu, dan persistensi hasil. Dirancang untuk beban kerja komputasi tujuan umum termasuk pemrosesan data, inferensi, eksperimen, pekerjaan batch, dan tugas berbasis Python apa pun.

Latih atau sesuaikan model bahasa menggunakan TRL (Transformer Reinforcement Learning) pada infrastruktur Hugging Face Jobs. Mencakup metode pelatihan SFT, DPO, GRPO, dan pemodelan reward, serta konversi GGUF untuk penerapan lokal. Termasuk panduan persiapan dataset, pemilihan perangkat keras, estimasi biaya, dan persistensi model.

Publikasikan dan kelola makalah penelitian di Hugging Face Hub. Mendukung pembuatan halaman makalah, menautkan makalah ke model/dataset, mengklaim kepengarangan, dan menghasilkan artikel penelitian berbasis markdown profesional.

Bangun skrip dan alat yang dapat digunakan kembali menggunakan API Hugging Face. Berguna saat merangkai atau menggabungkan panggilan API, atau saat tugas akan diulang/diotomatiskan. Membuat skrip baris perintah yang dapat digunakan kembali untuk mengambil, memperkaya, atau memproses data dari Hugging Face Hub.

Lacak dan visualisasikan eksperimen pelatihan ML dengan Trackio. Gunakan saat mencatat metrik selama pelatihan (API Python) atau mengambil/menganalisis metrik yang tercatat (CLI). Mendukung visualisasi dasbor waktu nyata, sinkronisasi HF Space, dan keluaran JSON untuk otomatisasi.

Gunakan keterampilan ini untuk alur kerja Hugging Face Dataset Viewer API yang mengambil metadata subset/split, melakukan paginasi baris, mencari teks, menerapkan filter, mengunduh parquet…

Melatih dan menyempurnakan model deteksi objek (D-FINE, RT-DETR v2, DETR, YOLOS) menggunakan Hugging Face Transformers pada GPU cloud Hugging Face Jobs. Mencakup…

Cari dan baca halaman paper Hugging Face dalam format markdown, serta gunakan API papers untuk metadata terstruktur seperti penulis, model/dataset/ruang tertaut, Github…

Melatih dan menyempurnakan model visi untuk deteksi objek (D-FINE, RT-DETR v2, DETR, YOLOS), klasifikasi gambar (model timm — MobileNetV3, MobileViT, ResNet,…

Menemukan model terbaik untuk suatu tugas dengan menanyakan papan peringkat benchmark resmi HF, memperkaya hasil dengan data ukuran model, memfilter yang sesuai dengan perangkat pengguna, dan mengembalikan tabel perbandingan dengan skor benchmark.

Jalankan evaluasi untuk model Hugging Face Hub menggunakan inspect-ai dan lighteval pada perangkat keras lokal. Gunakan untuk pemilihan backend, evaluasi GPU lokal, dan memilih antara…

Gunakan keterampilan ini untuk alur kerja Hugging Face Dataset Viewer API yang mengambil metadata subset/split, melakukan paginasi baris, mencari teks, menerapkan filter, mengunduh parquet…

Bangun UI web dan demo Gradio dengan Python. Gunakan saat membuat atau mengedit aplikasi Gradio, komponen, pendengar acara, tata letak, atau chatbot.

Keterampilan ini harus digunakan saat pengguna ingin menjalankan beban kerja apa pun di infrastruktur Hugging Face Jobs. Mencakup skrip UV, pekerjaan berbasis Docker, pemilihan perangkat keras,…

Latih atau sesuaikan model bahasa dan visi menggunakan TRL (Transformer Reinforcement Learning) atau Unsloth dengan infrastruktur Hugging Face Jobs. Mencakup SFT, DPO,…

Gunakan untuk memilih model yang dijalankan secara lokal dengan llama.cpp dan GGUF di CPU, Mac Metal, CUDA, atau ROCm. Mencakup pencarian GGUF, pemilihan kuantisasi, menjalankan server, dan lainnya.

Menerbitkan dan mengelola makalah penelitian di Hugging Face Hub. Mendukung pembuatan halaman makalah, menautkan makalah ke model/dataset, mengklaim kepengarangan, dan menghasilkan…

Cari dan baca halaman makalah Hugging Face dalam format markdown, serta gunakan API makalah untuk metadata terstruktur seperti penulis, model/dataset/ruang yang tertaut, Github…

Gunakan keterampilan ini ketika pengguna ingin membangun alat/skrip atau mencapai tugas di mana menggunakan data dari API Hugging Face akan membantu. Ini sangat berguna…

Lacak dan visualisasikan eksperimen pelatihan ML dengan Trackio. Gunakan saat mencatat metrik selama pelatihan (API Python), memicu peringatan untuk diagnostik pelatihan, atau…

Melatih dan menyempurnakan model visi untuk deteksi objek (D-FINE, RT-DETR v2, DETR, YOLOS), klasifikasi gambar (model timm — MobileNetV3, MobileViT, ResNet,…

Mulai dan uji server inferensi prime-rl. Gunakan saat diminta menjalankan inferensi, memulai vLLM, menguji model, atau meluncurkan server inferensi.

Memberikan panduan untuk menulis dan melakukan benchmarking kernel Triton yang dioptimalkan untuk GPU AMD (MI355X, R9700) pada ROCm, yang menargetkan diffusers HuggingFace (LTX-Video, SD3,…)

Cara menulis dan menggunakan konfigurasi TOML di prime-rl. Gunakan saat membuat file konfigurasi, menjalankan perintah dengan konfigurasi, atau mengganti nilai konfigurasi melalui CLI.

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

Gunakan Transformers.js untuk menjalankan model machine learning tercanggih langsung di JavaScript/TypeScript. Mendukung NLP (klasifikasi teks, penerjemahan,…

Melatih dan menyempurnakan model bahasa transformer menggunakan TRL (Transformers Reinforcement Learning). Mendukung pelatihan SFT, DPO, GRPO, KTO, RLOO, dan Reward Model…