hf-mem

โดย huggingface

CLI ของ Hugging Face สำหรับประมาณหน่วยความจำที่จำเป็นในการโหลดน้ำหนักโมเดล Safetensors หรือ GGUF เพื่อการอนุมานจาก Hugging Face Hub

npx skills add https://github.com/huggingface/skills --skill hf-mem

hf_mem estimates the required memory for inference, including model weights and an optional KV cache, for Safetensors and GGUF for models on the Hugging Face Hub using HTTP Range requests i.e., without downloading or loading any weights locally.

When to use?

  • User asks how much VRAM or memory a model needs to run
  • User wants to know if a model fits on their GPU or a given instance
  • User references a Hugging Face model ID or URL and asks about inference requirements

What are the requirements?

  • uv installed (for uvx)
  • HF_TOKEN env var or --hf-token flag (for gated or private models only)

How to run?

Run with --model-id pointing to the Hugging Face Hub repository which will check that it either contains Safetensors (via model.safetensors, model.safetensors.index.json if sharded, or model_index.json for Diffusers) or GGUF model weights within.

uvx hf-mem --model-id <model-id> --json-output

If the repository contains GGUF model weights in multiple precisions / quantizations, the estimations will be on a per-file basis, whereas for inference you won't load all of those but rather only a single precision. This being said, for GGUF you might as well need to provide --gguf-file to target the specific file (or path if sharded) you want to run.

uvx hf-mem --model-id <model-id> --gguf-file <file-or-path> --json-output

Additionally, hf-mem comes with an --experimental flag that will also calculate the KV cache memory requirements too, useful for large-language models, meaning it applies to LLMs (...ForCausalLM), VLMs (...ForConditionalGeneration), and GGUF models.

As per the context window, it will be read from the default or overridden with --max-model-len a la vLLM. And, same goes for the KV cache precision, which will default to the model precision unless manually set via --kv-cache-dtype a la vLLM too.

For Safetensors use as:

uvx hf-mem --model-id <model-id> --experimental [--max-model-len N] [--batch-size N] [--kv-cache-dtype auto|bfloat16|fp8|fp8_ds_mla|fp8_e4m3|fp8_e5m2|fp8_inc] --json-output

And, for GGUF use as:

uvx hf-mem --model-id <model-id> --gguf-file <file-or-path> --experimental [--max-model-len N] [--batch-size N] [--kv-cache-dtype auto|F32|F16|Q4_0|Q4_1|Q5_0|Q5_1|Q8_0|Q8_1|Q2_K|Q3_K|Q4_K|Q5_K|Q6_K|Q8_K|IQ2_XXS|IQ2_XS|IQ3_XXS|IQ1_S|IQ4_NL|IQ3_S|IQ2_S|IQ4_XS|I8|I16|I32|I64|F64|IQ1_M|BF16|TQ1_0|TQ2_0|MXFP4] --json-output

Examples

For Transformers with Safetensors weights:

uvx hf-mem --model-id MiniMaxAI/MiniMax-M2 --json-output

For Diffusers with Safetensors weights:

uvx hf-mem --model-id Qwen/Qwen-Image --json-output

For Sentence Transformers with Safetensors weights:

uvx hf-mem --model-id google/embeddinggemma-300m --json-output

With --experimental to include the KV cache estimation for LLMs and VLMs:

uvx hf-mem --model-id mistralai/Mistral-7B-v0.1 --experimental --json-output

And, for LLMs or VLMs with GGUF weights:

uvx hf-mem --model-id unsloth/Qwen3.5-397B-A17B-GGUF --gguf-file Q4_K_M --experimental --json-output

Skills เพิ่มเติมจาก huggingface

sync-models
huggingface
ซิงค์การกำหนดค่าโมเดลของ chat-ui กับเราเตอร์ของ HuggingFace — เพิ่มคำอธิบายสำหรับโมเดลใหม่ ทำเครื่องหมายโมเดลที่รองรับการให้เหตุผล เปิดใช้งาน artifacts สำหรับโมเดลที่มีขนาด 32B+…
custom-blocks
huggingface
Use when the user has written (or wants to write) a `ModularPipelineBlocks` subclass in a local Python file and needs to package it into a Hub-uploadable…
self-review
huggingface
Use before opening a PR, or whenever asked to self-review a diffusers contribution. Applies the same rubric as the `@claude` CI (checks the diff against…
hf-cloud-sagemaker-production-defaults
huggingface
สร้าง SageMaker endpoint (แบบ real-time หรือ async) พร้อมเปิดใช้งาน autoscaling, CloudWatch alarms และ tagging โดยค่าเริ่มต้น ใช้สกิลนี้เมื่อใดก็ตามที่กำลังจะสร้าง...
hf-cloud-serving-image-selection
huggingface
เลือกคอนเทนเนอร์ serving ที่เหมาะสมสำหรับการปรับใช้โมเดล SageMaker และค้นหา image URI ปัจจุบันของมัน ใช้สกิลนี้ทุกครั้งที่กำลังจะปรับใช้โมเดลกับ...
Hugging Face Cli
huggingface
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.
Hugging Face Datasets
huggingface
สร้างและจัดการชุดข้อมูลบน Hugging Face Hub รองรับการเริ่มต้นพื้นที่เก็บข้อมูล การกำหนดคอนฟิก/พรอมต์ระบบ การสตรีมอัปเดตแถว และการค้นหา/แปลงชุดข้อมูลด้วย SQL ออกแบบมาให้ทำงานร่วมกับเซิร์ฟเวอร์ HF MCP สำหรับเวิร์กโฟลว์ชุดข้อมูลที่ครอบคลุม
Hugging Face Evaluation
huggingface
เพิ่มและจัดการผลการประเมินในการ์ดโมเดลของ Hugging Face รองรับการดึงตารางประเมินจากเนื้อหา README การนำเข้าคะแนนจาก Artificial Analysis API และการรันการประเมินโมเดลแบบกำหนดเองด้วย vLLM/lighteval ทำงานร่วมกับรูปแบบ metadata model-index