Isaque Victor cursos gratuitosNesta aula
O Hub é uma vitrine de modelos.
O Hugging Face Hub é como um GitHub para modelos de IA. Cada modelo é um repositório com arquivos, uma ficha e uma licença. Quem lê a ficha escolhe com critério. Quem não lê baixa o primeiro resultado da busca.
- Ler a ficha de um modelo antes de baixar
- Rodar um modelo em português com uma linha de código
- Proteger o token e evitar arquivos perigosos
Ler a ficha antes de baixar
A ficha é o README do repositório. No começo dela, há quatro informações para conferir.
| Campo | O que diz |
|---|---|
| license | O que você pode fazer. Licenças com NC são de uso não comercial |
| pipeline_tag | Para que o modelo foi feito. Um tradutor não serve para classificar e-mails |
| base_model | De qual modelo ele derivou. A licença do original pode valer também |
| language | Se o modelo viu português de verdade |
Uma ficha vazia ou sem licença também é informação. Desconfie.
Pipeline: uma linha, três etapas
A biblioteca Transformers tem a função pipeline. Você diz a tarefa e ela baixa o modelo e executa. Por dentro, prepara o texto em números, deixa o modelo calcular e traduz o resultado.
Cuidado com o padrão. O modelo de sentimento que vem de fábrica foi treinado em inglês. Ele classifica frases em português com confiança alta e critério nenhum. Sempre passe o nome de um modelo em português.
from transformers import pipeline
mascara = pipeline("fill-mask", model="neuralmind/bert-base-portuguese-cased")
for item in mascara("A capital do Brasil é [MASK].")[:3]:
print(item["token_str"], item["score"])Na primeira execução o modelo é baixado. Na segunda, é lido do disco, e fica bem mais rápido.
Coisa de profissional
O número de downloads de um modelo não é o número de pessoas. A documentação do Hub explica que toda requisição HTTP aos arquivos usados na contagem, como o config.json, conta como um download, inclusive as do tipo GET e HEAD. Então um servidor que recarrega o modelo a cada execução, ou um sistema automático de testes, também soma. Para escolher modelo, use download só como pista, e confie mais na licença, na ficha e no teste com os seus próprios exemplos.
Cache: onde ficam os modelos
Tudo o que você baixa vai para uma pasta de cache, normalmente ~/.cache/huggingface/hub. Um modelo grande ocupa vários gigabytes, e nada é apagado sozinho. Olhe de vez em quando.
hf cache ls # o que está guardado
hf cache rm model/openai/whisper-small # apaga um modelo (pede confirmação)Em servidor, fixe a versão com o parâmetro revision. Modelo que "mudou sozinho" em produção quase sempre recebeu uma atualização no ramo principal.
Tokens e arquivos perigosos
Para baixar modelos restritos, o script usa um token, como uma senha de aplicativo. Crie um só de leitura, com acesso ao repositório específico, e guarde numa variável de ambiente.
O formato antigo de pesos, o arquivo .bin, é um pickle: uma lista de instruções que o Python executa ao abrir. Um arquivo malicioso pode rodar o que quiser no seu computador. O safetensors guarda só números, então não há o que executar. Prefira sempre ele.
Cuidado
Token dentro do código acaba em commit e em log. Se vazar, revogue na hora. E nunca use trust_remote_code=True sem ler o código que o repositório traz, porque isso executa programa de terceiros no seu computador.
Prática · 5 min
- Escolha uma tarefa do seu trabalho e busque no Hub com o filtro de idioma português. Separe três modelos.
- Para cada um, anote a licença, o formato dos arquivos e se exige token ou código externo.
- Rode os três com cinco exemplos seus e dê uma nota de 0 a 2 a cada resposta.
Resumo
- Leia a ficha: licença, tarefa, modelo-base e idioma.
- Passe sempre um modelo em português ao pipeline.
- Prefira safetensors. Pickle pode executar código.
- Token só de leitura, em variável de ambiente.
Fontes
Lidas em 30 de outubro de 2026.
- Hugging Face. Models Download Stats: como os downloads são contados.
- Hugging Face. Model Cards: campos da ficha.
- Hugging Face. Pickle scanning: riscos do formato pickle.
- Hugging Face. Safetensors: o formato seguro.
Quiz da aula
Três situações para aplicar o que viu.