Hugging Face.
Reúne modelos, conjuntos de datos, demostraciones y bibliotecas para descubrir, probar, adaptar y desplegar sistemas de IA con distintas opciones de infraestructura.
Documentación consultada el . Las capacidades y requisitos pueden cambiar entre versiones.
Dónde encaja
Buscar un modelo de clasificación en español, leer su ficha y probarlo con ejemplos representativos.
Requisitos e integración
cloud · local · self-hosted
Límites que condicionan la decisión
Cada modelo tiene requisitos, licencia y calidad propios; estar en el Hub no garantiza que sea libre para cualquier uso ni adecuado para producción.
Decisiones de uso
- Coste y mantenimiento
- Explorar el ecosistema no equivale a ejecutar modelos gratis: la inferencia alojada y la infraestructura pueden tener coste.
Documentación y recursos
- Documentación de Hugging Face ↗
Consulta los detalles de integración en la documentación oficial.
Novedades en el archivo
Artículos relacionados: 5 · Fechas originales de los acontecimientos. Este archivo no sustituye el changelog oficial.
PyTorch 2.15 prueba FP8 y nuevas mejoras de ejecución de modelos en Mac
El equipo de Hugging Face detalla soporte FP8, nuevas operaciones Metal y correcciones de memoria e imagen. La publicación propone probar una candidata de versión, no garantiza mejoras en cualquier Mac.
TorchNeuron conecta PyTorch directamente con AWS Trainium en beta pública
El nuevo motor permite usar las interfaces habituales de PyTorch y las bibliotecas de Hugging Face sobre Trainium2 y Trainium3. Requiere adaptar la configuración; no garantiza compatibilidad universal.
DeepSeek abre su buscador y la lectura de páginas mediante API
Search y Fetch dan a los desarrolladores acceso al buscador propio de DeepSeek y al contenido de páginas web. Son herramientas de API para agentes y aplicaciones, con autenticación y facturación separadas del uso del chat.
DeepSeek actualiza V4.1 Flash en su aplicación, web y API
La revisión V4.1-Flash-1017 ya llega a la web, la aplicación y la API de DeepSeek. También se publican sus pesos con licencia MIT; las mejoras de razonamiento, programación y agentes proceden de evaluaciones del fabricante.
EmbeddingGemma 2 lleva la búsqueda multimodal a dispositivos locales
Google publica EmbeddingGemma 2, un modelo de 740 millones de parámetros que representa distintos contenidos en un espacio común. Está diseñado para búsqueda y recuperación de información en móviles y ordenadores.