Hugging Face: cos’è, come funziona e come usarlo passo passo

Se hai provato a eseguire un modello di intelligenza artificiale sul tuo computer, a cercare un dataset per un progetto o semplicemente a capire dove nascono gli strumenti open source di cui tutti parlano, prima o poi sei finito su Hugging Face. È una piattaforma che a prima vista può sembrare un magazzino disordinato di nomi incomprensibili, sigle e numeri, ma che in realtà segue una logica molto precisa. In questa guida ti spiego cos’è Hugging Face, come è organizzato, come leggere la scheda di un modello, come scaricarlo e usarlo, quali errori evitare e in quali casi ha senso costruirci sopra un progetto, anche se non sei uno sviluppatore esperto.

L’obiettivo è semplice: alla fine della lettura dovresti saper muoverti sulla piattaforma da solo, scegliendo con criterio tra centinaia di migliaia di modelli invece di affidarti al primo risultato.

Cos’è Hugging Face e perché è diventato così importante

Hugging Face è una piattaforma online dove la comunità dell’intelligenza artificiale pubblica, condivide e riusa modelli, dataset e applicazioni dimostrative. Il paragone che si usa più spesso è quello con GitHub: come GitHub ospita il codice dei progetti software, Hugging Face ospita i pesi dei modelli, cioè i file che contengono ciò che una rete neurale ha imparato durante l’addestramento, insieme ai dati e alla documentazione che servono per usarli.

L’azienda è nata nel 2016 a New York per opera di Clément Delangue, Julien Chaumond e Thomas Wolf. Il primo prodotto era un’app di chat pensata per un pubblico giovane, con un’emoji sorridente come logo, quella che dà ancora oggi il nome all’azienda. Il cambio di rotta è arrivato quando il team ha rilasciato come open source la libreria che usava per lavorare con i modelli linguistici: la comunità l’ha adottata in massa e l’azienda ha deciso di concentrarsi su quello.

Da lì è cresciuto l’ecosistema che conosciamo.

Il ruolo nell’ecosistema open source

Oggi praticamente ogni laboratorio che rilascia un modello aperto lo pubblica anche, o soprattutto, su Hugging Face. Meta, Google, Microsoft, Mistral, Alibaba, DeepSeek, Nvidia e moltissimi centri di ricerca universitari caricano lì i loro pesi, spesso nello stesso giorno dell’annuncio. Accanto ai grandi nomi ci sono migliaia di sviluppatori indipendenti che pubblicano versioni ottimizzate, compresse o specializzate degli stessi modelli.

Questa centralità ha anche un peso economico e strategico. A settembre 2026 Nvidia ha annunciato l’accordo per acquisire la società per circa 12,9 miliardi di dollari, un’operazione che abbiamo raccontato nel dettaglio parlando di cosa cambia con l’acquisizione di Hugging Face da parte di Nvidia. Per chi usa la piattaforma ogni giorno la domanda principale è se resterà neutrale e aperta come in passato, ed è una questione che vale la pena seguire nel tempo.

Per capire perché conta così tanto, però, devi prima capire cosa contiene.

Hugging Face non è un chatbot

Un equivoco frequente è pensare che Hugging Face sia un’alternativa a ChatGPT. Non è così. Esistono interfacce di chat che si appoggiano a modelli ospitati sulla piattaforma, ma il cuore del servizio è un’infrastruttura: un archivio di risorse, un insieme di librerie software e una serie di servizi per eseguire i modelli. È uno strumento per chi vuole costruire, sperimentare o semplicemente capire, non un assistente pronto all’uso.

Come è organizzato l’Hub: modelli, dataset e Spaces

La parte pubblica della piattaforma si chiama Hub e si divide in tre grandi sezioni. Ognuna ha la sua pagina di ricerca, i suoi filtri e le sue regole, ma tutte condividono la stessa struttura di base: ogni risorsa vive in un repository con un nome nel formato autore/nome-risorsa, per esempio un’organizzazione seguita dal nome del modello.

Ogni repository è a tutti gli effetti un repository Git, con file, cronologia delle modifiche, versioni e una pagina di discussione dove gli utenti segnalano problemi o fanno domande agli autori.

I modelli

La sezione Models è quella più visitata. Qui trovi modelli linguistici di ogni dimensione, modelli per generare immagini, per la trascrizione audio, per la traduzione, per la classificazione di testi, per la visione artificiale e per decine di altri compiti. I filtri sulla sinistra ti permettono di restringere la ricerca per tipo di attività, lingua, libreria compatibile, licenza e dimensione.

Un dettaglio utile: i risultati possono essere ordinati per tendenza, per numero di download o per numero di like. L’ordinamento per tendenza ti mostra cosa sta usando la comunità in questo momento, quello per download ti dice cosa è stato adottato davvero nel tempo.

I dataset

La sezione Datasets raccoglie insiemi di dati pronti per addestrare, valutare o mettere alla prova i modelli: raccolte di testi, conversazioni, domande e risposte, immagini annotate, registrazioni audio, tabelle. Per molti dataset la piattaforma offre un visualizzatore che ti fa sfogliare le righe direttamente dal browser, senza scaricare nulla, ed è il modo più rapido per capire se quei dati fanno al caso tuo.

Prima di usare un dataset leggi sempre la sua scheda: come per i modelli, la provenienza dei dati e la licenza sono informazioni decisive, soprattutto se pensi a un uso commerciale.

Gli Spaces

Gli Spaces sono piccole applicazioni web ospitate sulla piattaforma, di solito costruite con framework come Gradio o Streamlit, oppure con un container Docker. Servono a mostrare un modello in azione: carichi un’immagine, scrivi un testo, registri un audio e vedi il risultato. Per chi non programma sono la porta d’ingresso più comoda, perché permettono di provare un modello in pochi secondi senza installare niente.

Molti Spaces girano su hardware gratuito ma limitato, quindi può capitare di trovare una coda di attesa o un’applicazione in pausa. Se uno Space è troppo lento, spesso puoi duplicarlo nel tuo account e assegnargli risorse dedicate a pagamento.

Come leggere la scheda di un modello senza sbagliare

Ogni modello ha una pagina principale chiamata model card. È il documento più importante da leggere prima di scaricare qualsiasi cosa, e anche quello che la maggior parte delle persone salta. Una buona scheda spiega a cosa serve il modello, come è stato addestrato, su quali dati, con quali limiti noti, con quali risultati nei test e sotto quale licenza viene distribuito.

Se la scheda è vuota o quasi, consideralo un segnale d’allarme.

La licenza viene prima di tutto

Non tutti i modelli pubblicati su Hugging Face sono liberi nello stesso modo. Alcuni usano licenze permissive come Apache 2.0 o MIT, che consentono anche l’uso commerciale con pochi obblighi. Altri usano licenze proprie, scritte dall’azienda che li ha rilasciati, che possono contenere limiti sull’uso commerciale, sul numero di utenti, su determinati settori o sull’obbligo di citare il modello di origine. Altri ancora sono rilasciati solo per ricerca.

Per questo la distinzione tra open source e open weight è importante: un modello di cui puoi scaricare i pesi non è necessariamente open source nel senso pieno del termine. Se stai valutando un modello per il tuo lavoro o per un cliente, leggi il testo integrale della licenza e, nei casi dubbi, fatti consigliare da un professionista.

I modelli ad accesso controllato

Alcuni repository sono gated, cioè ad accesso controllato. Per scaricarli devi essere registrato, accettare le condizioni d’uso dell’autore e a volte fornire alcune informazioni su di te. Di solito l’approvazione è automatica e immediata, in altri casi viene valutata manualmente. Quando usi questi modelli da codice, ti serve un token di accesso personale collegato al tuo account.

Dimensione, varianti e numeri nel nome

I nomi dei modelli sembrano codici cifrati, ma seguono convenzioni abbastanza stabili. Un numero seguito dalla lettera B indica i miliardi di parametri: un modello da 7B ha circa sette miliardi di parametri, uno da 70B circa settanta. Più parametri significano in genere più capacità, ma anche più memoria necessaria per eseguirlo.

La sigla Instruct o Chat indica una versione addestrata a seguire istruzioni e a conversare, quella che di solito ti serve. La versione Base, invece, è il modello grezzo, utile soprattutto a chi vuole specializzarlo con ulteriore addestramento.

Infine ci sono le versioni derivate pubblicate da altri utenti: quantizzate, cioè compresse per occupare meno memoria, oppure specializzate su un compito o una lingua. La scheda del modello originale spesso elenca nella colonna laterale i modelli derivati, ed è un buon modo per trovare una versione adatta al tuo hardware.

Benchmark e valutazioni

Molte schede riportano tabelle con i risultati del modello su test standard. Sono utili per un primo confronto, ma vanno lette con spirito critico: gli autori scelgono i test in cui il modello va meglio, le condizioni di prova non sono sempre comparabili e un buon punteggio non garantisce buone prestazioni sul tuo caso specifico. Se vuoi approfondire, abbiamo dedicato una guida a come leggere i benchmark dei modelli linguistici e usarli per scegliere.

Il test migliore resta sempre il tuo: prova il modello sui compiti reali che dovrà svolgere.

I formati dei file: safetensors, GGUF e gli altri

Aprendo la scheda Files and versions di un modello trovi i file veri e propri. Capire che cosa sono ti evita download inutili, spesso di decine di gigabyte.

Il formato safetensors è oggi lo standard per i pesi dei modelli pensati per le librerie Python. È stato introdotto proprio da Hugging Face per sostituire i vecchi file basati su pickle, un sistema di serializzazione di Python che può eseguire codice al momento del caricamento e che quindi rappresenta un rischio di sicurezza se il file proviene da una fonte non affidabile. Safetensors contiene solo dati, non codice, ed è anche più veloce da caricare.

Il formato GGUF è quello usato da llama.cpp e da tutti gli strumenti che ne derivano, come Ollama e LM Studio. È pensato per eseguire modelli quantizzati su computer normali, anche senza una scheda video potente. Nei repository GGUF trovi spesso molte varianti dello stesso modello con sigle come Q4_K_M, Q5_K_M o Q8_0: indicano livelli diversi di compressione. Numeri più bassi significano file più leggeri e un po’ di qualità in meno.

Accanto ai pesi trovi file di configurazione, il tokenizer e talvolta codice personalizzato.

Il tokenizer è la componente che trasforma il testo in numeri comprensibili dal modello; se ti interessa capire come funziona, sappi che lavora su unità chiamate token, frammenti di parole che il modello elabora uno dopo l’altro. Il codice personalizzato, invece, merita attenzione: alcune librerie ti chiedono di attivare esplicitamente un’opzione per eseguirlo, e dovresti farlo solo con repository di autori affidabili.

Come usare Hugging Face senza scrivere codice

Non devi essere un programmatore per trarre vantaggio dalla piattaforma. Ci sono almeno tre modi per usarla restando nel browser o affidandoti a programmi con interfaccia grafica.

Provare i modelli negli Spaces e nei widget

Il modo più immediato è cercare uno Space dedicato al modello che ti interessa. Basta scrivere il nome del modello nella ricerca degli Spaces, aprire un’applicazione e usarla. Molte schede dei modelli includono anche un riquadro di prova sulla destra, che permette di inviare un testo o un’immagine e vedere la risposta generata da un servizio di inferenza.

È il modo perfetto per farti un’idea prima di investire tempo in un’installazione.

Scaricare modelli con Ollama o LM Studio

Se vuoi eseguire un modello sul tuo computer, la strada più semplice è usare un programma come LM Studio, che ha una ricerca integrata collegata proprio a Hugging Face: scrivi il nome del modello, scegli la variante GGUF compatibile con la memoria del tuo computer e la scarichi con un clic. Anche Ollama permette di avviare direttamente i modelli GGUF ospitati sulla piattaforma indicando il loro indirizzo. Abbiamo spiegato tutti i passaggi, dai requisiti hardware alla scelta del programma, nella guida su come eseguire un LLM in locale sul tuo computer.

Il vantaggio principale è la riservatezza: i tuoi dati non escono dal computer.

Usare i servizi di inferenza

Hugging Face offre anche servizi per eseguire i modelli sui propri server o su quelli di partner, accessibili tramite API. Esistono sia formule con un piccolo credito gratuito per sperimentare, sia soluzioni a pagamento con risorse dedicate, pensate per le aziende che vogliono mettere un modello in produzione senza gestire infrastruttura propria. Prezzi e limiti cambiano spesso, quindi controlla sempre la pagina ufficiale prima di pianificare un progetto.

Come usare Hugging Face con Python: i primi passi

Se un minimo di programmazione non ti spaventa, la piattaforma dà il meglio di sé con le sue librerie open source. Le più importanti sono Transformers, che permette di caricare e usare migliaia di modelli con poche righe di codice, Datasets, che serve a scaricare e manipolare i dati in modo efficiente, e huggingface_hub, che gestisce l’interazione con la piattaforma: download, caricamento di file, autenticazione.

Se vuoi capire come queste librerie si collocano rispetto a PyTorch, TensorFlow e scikit-learn, trovi un confronto ragionato nella guida alle migliori librerie Python per l’intelligenza artificiale.

Il percorso tipico di un primo progetto

Il flusso di lavoro di base è più semplice di quanto sembri. Per prima cosa crei un ambiente Python dedicato e installi le librerie necessarie. Poi scegli un modello adatto al compito, per esempio un piccolo modello per l’analisi del sentiment di testi in italiano, e annoti il suo nome completo nel formato autore/modello.

A quel punto la libreria Transformers ti mette a disposizione una funzione chiamata pipeline, che con un’unica istruzione scarica il modello, prepara il tokenizer e ti restituisce un oggetto pronto da usare: gli passi un testo e ottieni il risultato. I file scaricati vengono salvati in una cartella di cache sul tuo computer, così le volte successive il caricamento è immediato.

Per i modelli ad accesso controllato devi prima autenticarti con il tuo token personale.

Quando il prototipo funziona, puoi passare a un uso più controllato: caricare separatamente modello e tokenizer, regolare i parametri di generazione, gestire la memoria della scheda video o elaborare grandi quantità di testi in blocco. La documentazione ufficiale è ricca di esempi e tutorial ed è aggiornata con regolarità.

Personalizzare un modello

Uno degli usi più interessanti della piattaforma è il punto di partenza per il fine-tuning, cioè l’addestramento ulteriore di un modello già esistente sui tuoi dati, per adattarlo a un linguaggio settoriale, a un formato di risposta o a un compito specifico. Hugging Face offre librerie dedicate anche a questo, comprese tecniche che riducono molto le risorse necessarie. Prima di imboccare questa strada, però, chiediti se ti serve davvero: in molti casi un buon prompt o un sistema di recupero dei documenti bastano.

Creare un account e pubblicare le tue risorse

Per sfogliare l’Hub e scaricare la maggior parte dei modelli pubblici non serve un account. Registrarti diventa utile quando vuoi accedere ai modelli ad accesso controllato, salvare i preferiti, partecipare alle discussioni, creare Spaces o pubblicare modelli e dataset tuoi.

La registrazione è gratuita. Esistono poi un piano individuale a pagamento con più risorse e funzioni aggiuntive e piani per team e aziende, con controlli di accesso, gestione centralizzata degli utenti e opzioni di sicurezza avanzate.

I token di accesso

Dalle impostazioni del profilo puoi generare token di accesso personali, che servono a librerie e programmi per agire a nome tuo. Puoi creare token di sola lettura, utili per scaricare modelli, o con permessi di scrittura, necessari per caricare file. Trattali come password: non inserirli mai nel codice che pubblichi, non condividerli e revocali subito se pensi che siano stati esposti.

Una buona regola è creare un token diverso per ogni progetto, con i permessi minimi indispensabili.

Pubblicare un modello o un dataset

Caricare una risorsa è simile a creare un repository su GitHub: scegli un nome, imposti la visibilità pubblica o privata, carichi i file dal browser o da riga di comando e scrivi la scheda. Quest’ultimo passaggio fa la differenza: una scheda chiara, con lo scopo del modello, i dati usati, i limiti noti e la licenza, rende il tuo lavoro riutilizzabile e affidabile agli occhi degli altri.

Sicurezza e affidabilità: cosa controllare prima di scaricare

Su una piattaforma aperta chiunque può pubblicare. Questo è il suo punto di forza, ma anche il suo principale rischio. Hugging Face effettua controlli automatici sui file caricati, segnala quelli potenzialmente pericolosi e incentiva l’uso di formati sicuri, ma nessun controllo è infallibile.

La prudenza resta a carico tuo.

Prima di scaricare un modello controlla chi l’ha pubblicato: un’organizzazione verificata o un autore con una storia di contributi apprezzati offre più garanzie di un account appena creato. Guarda il numero di download e di like, leggi le discussioni del repository per vedere se altri utenti hanno segnalato problemi e preferisci sempre i file in formato safetensors o GGUF rispetto ai vecchi formati basati su pickle.

Diffida anche dei repository che imitano il nome di modelli famosi con piccole variazioni, una tecnica usata per ingannare chi cerca in fretta. Verifica che il nome dell’autore corrisponda a quello dell’organizzazione ufficiale, magari partendo dal link presente nell’annuncio originale.

C’è poi un tema di affidabilità dei contenuti. Un modello può essere tecnicamente sicuro ma addestrato su dati di qualità discutibile, con bias evidenti o con risposte inaccurate in italiano. Se lo userai per qualcosa di importante, mettilo alla prova su un campione rappresentativo dei tuoi casi reali e valuta i risultati con attenzione prima di fidarti.

Come scegliere il modello giusto per il tuo progetto

Con centinaia di migliaia di modelli disponibili, il rischio è perdersi. Un metodo pratico è partire da quattro domande, nell’ordine.

La prima riguarda il compito: cosa deve fare esattamente il modello? Generare testo, riassumere, classificare, trascrivere, tradurre, riconoscere oggetti in un’immagine? Usa il filtro per attività e parti da lì, perché un modello piccolo e specializzato spesso batte un grande modello generalista su un compito ristretto.

La seconda riguarda la lingua. Molti modelli rendono al meglio in inglese e meno in italiano. Filtra per lingua e, se il compito è delicato, cerca modelli addestrati o specializzati su testi italiani.

La terza riguarda l’hardware. Un modello che non entra nella memoria del tuo computer o del tuo server è inutile, per quanto brillante. Valuta il numero di parametri e la presenza di versioni quantizzate adatte alle tue risorse.

La quarta riguarda la licenza: verifica che consenta l’uso che hai in mente.

Una volta ristretta la scelta a tre o quattro candidati, provali sugli stessi esempi concreti e confronta i risultati. È un lavoro di qualche ora che ti evita settimane di problemi più avanti.

Per chi è utile Hugging Face: casi d’uso concreti

Gli sviluppatori e i data scientist lo usano ogni giorno come catalogo di modelli e dataset, come strumento di versionamento e come vetrina per i propri progetti. Per loro è un’infrastruttura di lavoro più che un sito da consultare.

Le aziende lo usano per valutare alternative ai servizi chiusi, per esempio quando hanno bisogno di tenere i dati in casa, ridurre i costi su grandi volumi o personalizzare a fondo un modello. In questi casi un modello aperto eseguito su server propri o su un fornitore europeo può essere una scelta sensata, anche per ragioni di conformità normativa.

I ricercatori e gli studenti lo usano per riprodurre esperimenti, confrontare modelli e accedere a dataset che altrimenti richiederebbero mesi di raccolta. Molte pubblicazioni scientifiche rimandano direttamente ai repository della piattaforma.

E poi ci sono i curiosi, i professionisti del marketing, i creativi.

Per chi non programma, gli Spaces sono un laboratorio gratuito dove provare le ultime novità in fatto di generazione di immagini, voce, musica o analisi di documenti, spesso settimane prima che quelle capacità arrivino nei prodotti commerciali. È anche un ottimo modo per capire cosa sanno fare davvero i modelli aperti, al di là degli annunci.

Errori comuni da evitare

Il primo errore è scaricare il modello più grande disponibile pensando che sia automaticamente il migliore. Se il tuo computer non ha memoria sufficiente il modello sarà lentissimo o non partirà affatto; meglio un modello più piccolo che funziona bene.

Il secondo è ignorare la licenza, scoprendo solo dopo mesi di lavoro che l’uso commerciale non era consentito. Il terzo è fidarsi ciecamente dei benchmark riportati nelle schede invece di provare il modello sui propri dati.

Il quarto errore riguarda la sicurezza: pubblicare per sbaglio un token di accesso in un repository pubblico, o eseguire codice personalizzato proveniente da autori sconosciuti. Sono errori banali ma frequenti, e le conseguenze possono essere serie.

L’ultimo è più sottile: confondere una versione derivata con l’originale. Una versione quantizzata o modificata da terzi può comportarsi in modo diverso dal modello ufficiale, quindi quando confronti prestazioni o segnali un problema, assicurati di sapere esattamente quale file stai usando.

Conclusioni

Hugging Face è diventato il punto di incontro dell’intelligenza artificiale aperta: il posto dove i modelli vengono pubblicati, discussi, migliorati e riusati. Imparare a muoverti sulla piattaforma ti dà accesso a un patrimonio enorme di strumenti, spesso gratuiti, e ti rende meno dipendente da un singolo fornitore.

La chiave è avere un metodo. Leggi sempre la scheda del modello, controlla la licenza, scegli il formato giusto per il tuo hardware, verifica l’affidabilità dell’autore e metti alla prova i candidati sui tuoi casi reali. Con queste abitudini eviterai la maggior parte dei problemi in cui incappano i principianti.

Il passo successivo dipende da te. Apri l’Hub, cerca un modello legato al tuo lavoro e provalo in uno Space; se ti convince, scaricalo ed eseguilo in locale. E se vuoi continuare a orientarti nel mondo dei modelli aperti, esplora le altre guide di intelligenzaartificiale.net: ogni settimana aggiungiamo nuovi tutorial pensati per aiutarti a usare l’AI con consapevolezza.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

• Le guide e le notizie della settimana, divise per rubrica
• Solo ciò che conta, verificato e spiegato in italiano
• Niente spam, ti cancelli con un clic

La tua email Iscriviti gratis

Ho letto l'informativa privacy e voglio ricevere la newsletter.

Preferisci i social? Seguici:

Seguici su Facebook X LinkedIn