hugging-face-cli

Hugging Face CLI - HF 模型管理命令行工具

技能概述

Hugging Face CLI（hf 命令）提供直接访问 Hugging Face Hub 的终端能力，支持模型、数据集和 Spaces 的下载上传、仓库管理、本地缓存操作以及云端 GPU 计算任务。

适用场景

1. 模型与数据集获取

快速下载 Hugging Face Hub 上的预训练模型到本地目录，或使用缓存机制高效管理多个模型版本，特别适合需要离线部署或本地推理的开发场景。

2. 模型发布与协作

创建公开或私有仓库，上传训练好的模型权重和配置文件，管理版本标签，与团队协作分享 AI 成果，无需切换到 Web 界面即可完成完整发布流程。

3. 云端计算任务

直接从终端提交 GPU 计算作业，选择合适的 GPU 配置（如 A10G、H100），部署推理端点，无需编写额外的部署代码即可实现模型云端运行。

核心功能

模型传输管理

使用 hf download 下载完整仓库或指定文件到本地，支持按文件模式过滤、指定版本分支；使用 hf upload 上传单个文件或整个目录，可自定义提交信息或创建 Pull Request。

仓库与缓存操作

通过 hf repo create/delete/move 管理模型、数据集和 Spaces 仓库；使用 hf cache ls/prune/verify 查看和清理本地缓存，有效控制磁盘占用。

Hub 资源浏览与计算

hf models/datasets/spaces ls/info 命令浏览和搜索 Hub 资源；hf jobs run 提交云端 GPU 作业，hf endpoints deploy 管理推理端点的部署、扩缩容和生命周期。

常见问题

如何使用 hf CLI 下载 Hugging Face 模型？

运行 hf download <repo_id> 下载完整模型到缓存目录，或添加 --local-dir 参数指定输出路径。例如：hf download meta-llama/Llama-3.2-1B-Instruct --local-dir ./model。

hf 命令上传文件需要认证吗？

是的，上传操作需要先完成认证。运行 hf auth login 进行交互式登录，或使用 --token $HF_TOKEN 传入环境变量。认证后可使用 hf upload <repo_id> <local_path> <target_path> 上传文件。

怎么清理 Hugging Face 本地缓存？

使用 hf cache ls 查看所有缓存内容及占用空间，运行 hf cache rm <repo_or_revision> 删除指定缓存，或执行 hf cache prune 清理所有未关联的版本释放磁盘空间。