1.hagen face是全球最大的AI开源平台，包含几乎所有的AI开源模型和数据。Hugging Face​ 是当前人工智能领域最重要的开源平台和社区，被称为“AI 界的 GitHub”。它彻底改变了 NLP（自然语言处理）和 AI 的应用开发方式。Hugging Face 的核心使命是让每个人都能使用、训练和部署最先进的 AI 模型，而不仅仅是大型科技公司。

2.平台支持免费调用接口，但在线体验效果不佳，推荐使用本地离线方式。

3.平台结构和使用方向与魔塔社区类似，但hagen face是需要kexue。

Hugging Face 的官方网址是： 

🤗 https://huggingface.co

Hugging Face 官方镜像站（推荐）

• 网址：https://hf-mirror.com

• 特点：非官方维护的镜像站，同步速度较快

ModelScope（模型社区）

• 网址：https://modelscope.cn

• 特点：阿里达摩院推出的中国版 Hugging Face，专门针对国内用户优化

注册账户 https://huggingface.co

介绍镜像站

Models – Hugging Face (hf-mirror.com)

介绍界面

1. Models（模型）

在HF-Mirror上，Models​ 指的是各种预训练的人工智能模型，覆盖了自然语言处理、语音识别、图像处理等多个AI领域。

• 主要功能：

  • 发现与搜索：你可以像在官方Hugging Face网站上一样，浏览热门模型、按任务（如文本生成、语音识别）、框架、语言等筛选和搜索模型。

  • 模型主页：每个模型都有独立的主页，包含模型介绍、作者、许可证、文件列表等。

  • 文件下载：可以直接在网页上从“Files and Versions”页面下载模型文件，也可以使用提供的命令行工具（如huggingface-cli或hfd）进行高速、稳定的下载。

• 示例（来自你提供的热门排行）：

  • zai-org/GLM-4.7-Flash：一个用于文本生成的模型。

  • nvidia/personaplex-7b-v1：一个用于音频处理的模型。

  • Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice：一个文本转语音模型。

2. Datasets（数据集）

在HF-Mirror上，Datasets​ 指的是用于训练和评估机器学习模型的数据集合。

• 主要功能：

  • 发现与搜索：可以浏览和搜索各种公开可用的数据集，用于不同的AI任务。

  • 数据集主页：每个数据集的主页提供了数据集的描述、大小、许可证等信息。

  • 数据下载：与模型类似，可以通过网页或命令行工具下载数据集文件。

• 示例：

  • 在你提供的文本中，虽然没有直接列出数据集的热门排行（因为当前筛选的是“模型”），但当你在网站上将筛选条件切换到“数据集”时，就会出现类似的数据集列表。例如，wikitext就是一个常用的语言建模数据集。

在Models里输入 stable-diffusion-3.5-large

这是 Stability AI 在 2024 年 10 月发布的最新文生图模型

方案 1：通过 Hugging Face（国际源）

from diffusers import StableDiffusion3Pipeline
import torch

# 加载模型（需要登录 Hugging Face）
pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large", 
    torch_dtype=torch.float16
)
pipe = pipe.to("cuda")

# 生成图像
prompt = "A cute cat reading a book, high quality"
image = pipe(prompt).images[0]
image.save("sd35_image.png")

方案 2：通过 ModelScope（国内镜像，推荐）

from modelscope import snapshot_download
from diffusers import StableDiffusion3Pipeline
import torch

# 下载模型到本地（国内加速）
model_dir = snapshot_download("AI-ModelScope/stable-diffusion-3.5-large")

# 从本地加载
pipe = StableDiffusion3Pipeline.from_pretrained(
    model_dir,
    torch_dtype=torch.float16,
    variant="fp16"
)
pipe = pipe.to("cuda")

# 生成图像
image = pipe("A cute cat reading a book").images[0]
image.save("sd35_image.png")

本地训练的机器要求

GPU>6GB