hf-mem

CLI của Hugging Face để ước tính bộ nhớ cần thiết nhằm tải trọng số mô hình Safetensors hoặc GGUF cho suy luận từ 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

Thêm skills từ huggingface

sync-models
huggingface
Đồng bộ cấu hình mô hình của chat-ui với router HuggingFace — thêm mô tả cho các mô hình mới, gắn cờ cho các mô hình có khả năng suy luận, kích hoạt artifacts cho các mô hình từ 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
Tạo một endpoint SageMaker (thời gian thực hoặc bất đồng bộ) với tính năng tự động mở rộng, cảnh báo CloudWatch và gắn thẻ được bật theo mặc định. Sử dụng kỹ năng này bất cứ khi nào sắp tạo một…
hf-cloud-serving-image-selection
huggingface
Chọn container phục vụ phù hợp cho việc triển khai mô hình SageMaker và tìm URI hình ảnh hiện tại của nó. Sử dụng kỹ năng này bất cứ khi nào sắp triển khai một mô hình lên…
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
Tạo và quản lý tập dữ liệu trên Hugging Face Hub. Hỗ trợ khởi tạo kho lưu trữ, định nghĩa cấu hình/lời nhắc hệ thống, cập nhật hàng dữ liệu theo luồng, và truy vấn/chuyển đổi tập dữ liệu dựa trên SQL. Được thiết kế để hoạt động cùng với máy chủ HF MCP cho các quy trình làm việc tập dữ liệu toàn diện.
Hugging Face Evaluation
huggingface
Thêm và quản lý kết quả đánh giá trong thẻ mô hình Hugging Face. Hỗ trợ trích xuất bảng đánh giá từ nội dung README, nhập điểm số từ API Artificial Analysis, và chạy đánh giá mô hình tùy chỉnh với vLLM/lighteval. Hoạt động với định dạng siêu dữ liệu model-index.