¿Qué es Hugging Face Transformers?
Transformers es la biblioteca de definiciones de modelos de Hugging Face. Carga casi cualquier modelo abierto del Hugging Face Hub, que recoge más de un millón de checkpoints compatibles, en unas pocas líneas de Python, y después lo ejecuta o lo ajusta.
Cubre modelos de texto, visión, audio y multimodales, y necesita Python 3.11 o posterior y PyTorch 2.6 o posterior. TRL, Axolotl, Unsloth y vLLM se basan en sus definiciones de modelos, y el comando transformers serve ofrece un servidor local al estilo de OpenAI.
La versión 5.0 llegó el 26 de enero de 2026 y desde entonces ha habido versiones menores cada pocas semanas; la v5.20.2 se publicó el 19 de octubre de 2026.
¿Merece la pena Hugging Face Transformers?
Transformers es la implementación de referencia de los modelos abiertos, y ese papel importa más que su velocidad. Cuando un laboratorio publica pesos, el código de Transformers suele ser lo que otras herramientas portan. El repositorio tiene unas 168.000 estrellas en GitHub, y el Hub recoge más de un millón de checkpoints que se cargan con ella.
Hugging Face la llama ahora un framework de definición de modelos, y la versión 5 apostó por eso. El entrenamiento pasa cada vez más por TRL, Axolotl y Unsloth, y el servicio por vLLM, SGLang o llama.cpp, que leen todos el código de modelos de Transformers. La biblioteca mantiene su clase Trainer y un comando transformers serve, pero la inferencia con Transformers a secas es más lenta que con motores dedicados, así que el tráfico de producción rara vez pasa directamente por ella.
El tamaño y los cambios constantes son las quejas. La superficie de la API es grande, la v5 rompió código escrito para la v4, y veinte versiones menores en nueve meses obligan a fijar versiones. La seguridad ha tenido un año ajetreado: seis avisos en GitHub desde septiembre de 2025, entre ellos bugs de ejecución de código en la carga de modelos (CVE-2026-4372 y CVE-2026-5241) y un fallo de gravedad alta por el que las versiones de la 4.49.0 a la 5.8.1 descargaban código de generación personalizado antes de pedir el consentimiento de confianza. El flag trust_remote_code sigue siendo la línea que hay que vigilar.
Frente a sus vecinos es menos un competidor que una dependencia. TRL y Unsloth hacen el fine-tuning más corto y más ligero en memoria, y vLLM hace el servicio más rápido, pero todos heredan de Transformers su soporte de modelos, y sus cambios incompatibles.
Dónde se gana su sitio
Un ingeniero de ML que preselecciona tres nuevos modelos de pesos abiertos en una semana
Cargar cada modelo y comparar sus salidas con prompts internos
AutoModel y pipeline cargan cualquier checkpoint del Hub con las mismas pocas líneas, así que cambiar de modelo es cambiar una cadena. Un día en una H100 alquilada en Lambda a 4,29 $ la hora cuesta unos 100 $; el riesgo es activar trust_remote_code en un repositorio que nadie ha leído.
Un laboratorio de investigación que prepara el lanzamiento de un modelo de pesos abiertos
Publicar código que otros puedan cargar, ajustar y servir
Aportar la clase del modelo a Transformers, o distribuirla como código remoto, permite que TRL, vLLM y el resto la adopten sin ports a medida. El coste continuo es seguir el ritmo de una biblioteca que saca una versión menor cada pocas semanas.
Un responsable de datos en una aseguradora regulada
Mantener los pesos de los modelos y los prompts fuera de APIs de terceros
Transformers funciona por completo en hardware propio con Apache 2.0, y HF_HUB_OFFLINE=1 corta todas las llamadas al Hub una vez que los modelos están en caché. La telemetría está activada por defecto y se desactiva con HF_HUB_DISABLE_TELEMETRY=1; es la licencia de cada modelo, no la de la biblioteca, la que decide el uso comercial.
Antes de decidirte
- Puesta en marcha
- pip install "transformers[torch]" (o uv pip) en Python 3.11+ con PyTorch 2.6+. Una llamada a pipeline descarga un modelo pequeño y devuelve resultados en minutos; los modelos grandes dependen de la velocidad de descarga y la VRAM.
- Integraciones
- El Hugging Face Hub para modelos y datasets; TRL, PEFT, Accelerate, Axolotl y Unsloth para entrenamiento; vLLM, SGLang y llama.cpp reutilizan o convierten sus definiciones de modelos para servir. transformers serve y transformers chat ofrecen un endpoint local y un chat en la CLI.
- Datos y privacidad
- La telemetría de uso va a Hugging Face por defecto (se desactiva con HF_HUB_DISABLE_TELEMETRY=1 o DO_NOT_TRACK), y los modelos y tokens se guardan en caché en ~/.cache/huggingface. Seis avisos desde septiembre de 2025 cubren ejecución de código y escritura de archivos en las rutas de carga y guardado, así que mantente al día.
- Coste a escala
- Gratuito con Apache 2.0; el coste es el tiempo de GPU. Servir tráfico de producción con Transformers a secas usa más GPU por petición que vLLM, así que la mayoría de los equipos solo lo paga en desarrollo y evaluación.
- Límites
- Unas 970 issues y pull requests abiertas. La v5 trajo cambios incompatibles en enero de 2026, las versiones menores llegan cada pocas semanas y el rendimiento por petición queda por detrás de los motores de inferencia dedicados.
Lo bueno
- Más de un millón de checkpoints compatibles en el Hub
- Primera implementación de la mayoría de los nuevos modelos abiertos
- Base común de TRL, Axolotl, Unsloth y vLLM
- Versiones frecuentes con soporte rápido de modelos
Lo malo
- Cambios incompatibles entre versiones mayores y versiones menores frecuentes
- Inferencia más lenta que vLLM o llama.cpp
- Hay que vigilar los avisos sobre código remoto y carga de modelos
- La telemetría hacia Hugging Face está activada por defecto
Ideal para
Desarrolladores e investigadores de Python que trabajan con modelos abiertos a cualquier nivel.
Alternativas a Hugging Face Transformers
Hugging Face Transformers: preguntas frecuentes
- ¿Merece la pena Hugging Face Transformers?
- Casi todas las herramientas de modelos abiertos leen el código de sus modelos de Transformers, lo que la hace imprescindible de conocer y rara vez lo que usas para servir. Le damos un 4.8 sobre 5.
- ¿Cuánto cuesta Hugging Face Transformers?
- Gratuito y de código abierto con licencia Apache 2.0. Hugging Face vende por separado planes del Hub e inferencia alojada.
- ¿Qué inconvenientes tiene Hugging Face Transformers?
- Cambios incompatibles entre versiones mayores y versiones menores frecuentes; inferencia más lenta que vLLM o llama.cpp; hay que vigilar los avisos sobre código remoto y carga de modelos; la telemetría hacia Hugging Face está activada por defecto.
- ¿Para quién es Hugging Face Transformers?
- Desarrolladores e investigadores de Python que trabajan con modelos abiertos a cualquier nivel.
- ¿Cuánto cuesta Hugging Face Transformers para un equipo o en producción?
- Gratuito con Apache 2.0; el coste es el tiempo de GPU. Servir tráfico de producción con Transformers a secas usa más GPU por petición que vLLM, así que la mayoría de los equipos solo lo paga en desarrollo y evaluación.
- ¿Es Hugging Face Transformers seguro para los datos de la empresa?
- La telemetría de uso va a Hugging Face por defecto (se desactiva con HF_HUB_DISABLE_TELEMETRY=1 o DO_NOT_TRACK), y los modelos y tokens se guardan en caché en ~/.cache/huggingface. Seis avisos desde septiembre de 2025 cubren ejecución de código y escritura de archivos en las rutas de carga y guardado, así que mantente al día.
- ¿Cuáles son las mejores alternativas a Hugging Face Transformers?
- Las alternativas más cercanas que hemos analizado son PyTorch, TRL, Unsloth y Axolotl.
Respuestas comprobadas el 23 oct 2026.