Hugging Face: ¿qué es y cómo usarlo? ?

#Hugging Face, ¿qué es?

Hugging Face es una empresa fundada en 2016 por tres empresarios franceses, Clément Delangue, Julien Chaumond y Thomas Wolf, y establecida entre Nueva York y París, cuya sede social sigue en Estados Unidos. Empezó con una aplicación de chatbot dirigida a adolescentes, un proyecto hoy abandonado, de donde proviene el nombre tomado del emoji que sonríe con las manos abiertas. Posteriormente se centró en herramientas de código abierto para el aprendizaje automático: su biblioteca transformers se ha convertido en la forma casi estándar de cargar y ejecutar un modelo de lenguaje en Python, adoptada por la mayoría de los laboratorios de investigación y las empresas del sector. Finalmente, construyó el Hub, una plataforma de alojamiento basada en el sistema de control de versiones Git donde cualquiera puede publicar gratis modelos, conjuntos de datos y pequeñas demostraciones web, sin validación editorial previa.

Para la IA local, el Hub funciona como una tienda de aplicaciones, con dos diferencias: casi todo es gratuito y nada está seleccionado para ti. A diferencia de una tienda de aplicaciones tradicional, nadie prueba, aprueba ni clasifica los modelos antes de su publicación: cualquiera puede crear una cuenta gratuita y subir un repositorio en pocos minutos, sin validación ni control de calidad de ningún tipo. Esta ausencia total de filtros es a la vez la fortaleza del Hub —todo llega allí primero, a menudo incluso antes del anuncio oficial de un laboratorio— y su principal trampa para un principiante, que puede encontrarse con cientos de resultados de búsqueda sin saber cuál es fiable. Saber orientarse, distinguir un repositorio oficial de una copia de terceros y una conversión seria de un intento abandonado es la habilidad que hay que adquirir antes de descargar cualquier cosa.

#Las tres secciones del Hub

#Leer una página de modelo

Cada modelo tiene una dirección de la forma huggingface.co/organisation/nom-du-modele, por ejemplo huggingface.co/Qwen/Qwen3-8B. Cuatro elementos distintos de esta página merecen tu atención antes de cualquier descarga.

Nombre de la organización

Qwen, google, meta-llama, mistralai, openai y deepseek-ai corresponden a los propios laboratorios, verificados. Cualquier otro nombre corresponde a un tercero: a veces excelente, pero nunca al original del laboratorio.

La ficha del modelo (model card)

El archivo README: qué es el modelo, cómo se ha entrenado, sus usos previstos, sus puntuaciones, su formato de prompt y sus limitaciones. La calidad varía: algunos son muy completos y otros están vacíos.

La licencia

Se muestra de forma destacada en la parte superior de la ficha, al lado del nombre del modelo. Ver la sección dedicada más abajo para saber qué permite realmente cada licencia habitual.

La pestaña Files and versions

La lista completa de archivos descargables. Un vistazo rápido basta para saber inmediatamente en qué tipo de repositorio te encuentras.

#¿Qué repositorio elegir: pesos originales o GGUF?

Los laboratorios publican principalmente el primer tipo, los pesos originales tal como salen del entrenamiento. Los archivos GGUF que necesitan las aplicaciones de escritorio se generan por separado mediante convertidores: algunos laboratorios publican los suyos directamente, y colaboradores de la comunidad como bartowski, unsloth o la organización ggml-org cubren casi todo el resto, generalmente solo unas horas después de un lanzamiento muy esperado. Para encontrarlos sin buscar al azar, abre la página del modelo original y sigue el enlace Quantizations en el árbol del modelo, mostrado a la derecha de la página, o busca simplemente el nombre del modelo seguido de la palabra GGUF en la barra de búsqueda del Hub, que generalmente coloca las conversiones más descargadas al principio de la lista.

• GGUF y safetensors: entender los formatos de modelos
• vLLM: el motor que utiliza los pesos originales

#Elegir el archivo correcto para tu tarjeta

Un repositorio GGUF suele ofrecer una decena larga de archivos para el mismo modelo, uno por cada nivel de cuantización disponible, desde el más comprimido hasta el más fiel. El tamaño del archivo corresponde, aproximadamente, a la VRAM que ocuparán los pesos una vez cargado el modelo en memoria. Mantén siempre entre 1 y 3 GB de VRAM libres para el contexto de la conversación y el margen de funcionamiento del sistema.

• Q4, Q5, Q8 o FP16: elegir tu cuantización
• VRAM: conocer la tuya y saber qué permite
• Calculadora de VRAM

#Tres formas de descargar

La más sencilla consiste en dejar que tu herramienta se encargue. La búsqueda de LM Studio consulta directamente Hugging Face e indica qué archivos caben en tu máquina. Tanto Ollama como llama.cpp pueden descargar un repositorio GGUF por su nombre.

# Ollama : lancer n'importe quel dépôt GGUF du Hub
ollama run hf.co/bartowski/Qwen_Qwen3-8B-GGUF:Q4_K_M

# llama.cpp : télécharger et servir
llama-server -hf bartowski/Qwen_Qwen3-8B-GGUF:Q4_K_M

pip install -U huggingface_hub
hf download bartowski/Qwen_Qwen3-8B-GGUF --include "*Q4_K_M.gguf" --local-dir ./models

El filtro --include es importante: sin él, descargas todas las cuantizaciones del repositorio, a menudo más de 100 GB. La tercera opción es el navegador: pestaña Files and versions, flecha de descarga junto al archivo. Es práctico para un GGUF individual, pero no para los pesos originales divididos en varios archivos.

• Paso a paso: importar un GGUF de Hugging Face a Ollama

#Licencias: abierto no quiere decir sin condiciones

La etiqueta mostrada en la ficha del modelo es la referencia en caso de duda, y un modelo derivado, ajustado mediante fine-tuning o fusionado a partir de otro suele heredar las obligaciones de su modelo base, incluso cuando el README del derivado no dice nada al respecto explícitamente. Para un despliegue en una empresa o en un producto comercial, esos dos minutos de lectura atenta de la licencia evitan construir toda una integración sobre un modelo cuyo uso comercial está en realidad restringido, un error frecuente y costoso de corregir a posteriori.

• Pesos abiertos o open source: la diferencia que importa

#¿Es seguro?

Prefiere .safetensors y .gguf

Son formatos de datos puros. Los archivos antiguos de PyTorch .bin y .pt se basan en el mecanismo pickle de Python, que puede ejecutar código al cargarlos. El Hub los señala con una advertencia.

Ten cuidado con «trust remote code»

Algunos repositorios, especialmente los de arquitecturas recientes que aún no están integradas en la biblioteca transformers, incluyen código Python personalizado para cuya ejecución el cargador solicita autorización explícita antes de continuar. Acepta esta autorización únicamente para organizaciones que reconozcas y en las que confíes: este código se ejecuta con los mismos permisos que el resto de tu programa Python, sin restricciones específicas.

Mira quién publica

El número de descargas acumuladas, la lista de otros repositorios publicados por la misma organización y un enlace al repositorio desde el sitio oficial del laboratorio son buenas señales de confianza. En el Hub, como en otros lugares de la web, existen cuentas que imitan a organizaciones conocidas usando un nombre parecido, con una errata o un guion bajo adicional: echar un vistazo al número de descargas y a la antigüedad de la cuenta suele bastar para detectarlas.

El modelo permanece en tu dispositivo

Una vez descargado, un GGUF ejecutado por llama.cpp o Ollama ya no realiza ninguna llamada de red a Hugging Face ni a ningún otro destinatario, a diferencia de un modelo utilizado a través de una API alojada en la nube. Tus prompts y tus datos nunca salen de tu máquina, un argumento fundamental de privacidad para quienes eligen la IA local en lugar de un servicio en línea.

• Documentación oficial del Hub Hugging Face
• El catálogo QuelLLM: 249 modelos ordenados por hardware
• Fuente: Wikipedia, historia de la empresa
• Fuente: anuncio oficial de la nueva CLI hf

#FAQ