Le Hub stocke les fichiers d’un modèle dans un dépôt versionné. Avant de télécharger des poids, vérifiez la tâche, la licence, les langues, les métriques, les limites et les conditions d’accès indiquées par la model card.
Installer et charger
pip install -U transformers torchfrom transformers import AutoModelForSequenceClassification, AutoTokenizer
model_id = "distilbert/distilbert-base-uncased-finetuned-sst-2-english"
revision = "main" # En production, remplacez par un tag ou commit audité.
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)
model = AutoModelForSequenceClassification.from_pretrained(model_id, revision=revision)
inputs = tokenizer("This release is reliable.", return_tensors="pt")
outputs = model(**inputs)
prediction = outputs.logits.argmax(dim=-1).item()
print(model.config.id2label[prediction])from_pretrained() télécharge configuration et poids puis les place dans le cache local. Lorsque des fichiers Safetensors sont disponibles, Transformers les privilégie.
Fixer une révision
La branche main peut évoluer. Pour une application reproductible, utilisez un tag ou un hash de commit complet et consignez-le avec la version de Transformers. Testez la nouvelle révision avant de la promouvoir.
Gérer modèles privés ou gated
Authentifiez la machine avec hf auth login ou fournissez un token limité via un secret. Ne placez jamais ce token dans le dépôt. Un modèle gated peut imposer des conditions d’utilisation supplémentaires.
Contrôler le téléchargement
hf_hub_download() télécharge un fichier ; snapshot_download() récupère un instantané complet et peut filtrer avec allow_patterns. Ne modifiez pas directement un fichier dans le cache. Utilisez local_files_only=True pour imposer un fonctionnement hors ligne après préparation de l’image ou de la machine.
Ne pas exécuter du code non audité
Laissez trust_remote_code=False. Si un modèle exige du code personnalisé, examinez les fichiers, fixez une révision immuable et isolez l’exécution.
Un modèle chargé correctement n’est pas encore validé pour votre produit : ajoutez des tests sur vos données et surveillez mémoire, latence et dérives de qualité.