Hugging Face（ハギングフェイス）とは？できること・料金・使い方【2026年10月】

Hugging Face（ハギングフェイス）は、AIモデル・データセット・デモアプリを公開して共有するプラットフォームと、その運営企業の名前です。2026年10月21日時点で、モデル一覧には3,172,934件、データセット一覧には1,099,985件が並んでいます。gated（承認制）でない公開モデルなら、アカウントを作らなくても無料で探してダウンロードできます。

ここ1年で前提がいくつも変わりました。コマンドは huggingface-cli から hf に置き換わり、Transformers v5 は PyTorch 専用になりました。無料アカウントに毎月付いていた推論クレジットも今はありません。2026年9月には NVIDIA が Hugging Face の買収で合意しています。本記事では、できること・料金・使い方・よくあるエラー・商用利用前の確認点を、2026年10月21日に実際にコマンドを実行して確かめた結果とあわせて説明します。

まとめ：Hugging Faceの要点（2026年10月時点）

• 読み方は「ハギングフェイス」。社名はロゴの絵文字（U+1F917）の Unicode 名「HUGGING FACE」と同じ
• 中核は Hub の3機能（Models・Datasets・Spaces）と、Transformers などのOSSライブラリ
• モデルとデータセットの検索・ダウンロードは無料。有料は PRO 月9ドル、Team 1人月20ドル、Enterprise 1人月50ドルから
• 無料アカウントで作れる Space は Static と、ZeroGPU 上の Gradio Space 2つまで。推論APIの無料クレジットは無い
• 現行は CLI が hf（huggingface_hub 2.2.0）、ライブラリが Transformers 5.20.2（PyTorch 専用）
• 商用で使う前に、ライセンス・gated・safetensors の有無・独自コードの要否の4点を確認する
• NVIDIA による買収は合意済みで未完了。完了は2027年上半期の見込み

Hugging Faceの読み方・会社概要と「AIのGitHub」と呼ばれる理由

「Hugging Face」「HuggingFace」「huggingface」はどれも同じものを指し、日本語では「ハギングフェイス」と読みます。Unicode で「HUGGING FACE」という名前が付いた絵文字（U+1F917、抱きしめる顔）が、そのままロゴになっています。

会社は米国の Hugging Face, Inc. です。2019年12月に米SECへ提出した資金調達の届出（Form D）では、2016年にデラウェア州で設立したと記載されています。経営を率いるのは CEO の Clément Delangue、CTO の Julien Chaumond、CSO の Thomas Wolf です。NVIDIA の公式ブログ（2026年9月3日）によると、利用者は1,800万人以上、利用企業は20万社以上です。

GitHubとの違い：コードでなく学習済みモデルの置き場

「AIのGitHub」と呼ばれるのは、Hub のリポジトリが Git ベースで、コミット履歴・ブランチ・プルリクエスト・Discussions を備えているためです。違うのは置く中身です。GitHub はソースコードの置き場で、Hub には数GBから数百GBの重みファイルが置かれます。1ファイル500GBまでアップロードできます。モデルカード（README）に書いたライセンス・タスク・言語はメタデータとして検索に使われ、Spaces でブラウザから動かせるデモもそのまま公開できます。

コードを GitHub、学習済みの重みとデータを Hub に分けて置くと、コードの開発管理とモデルカードによる配布情報の管理を分担できます。

NVIDIAによる買収合意の状況（2026年10月時点）

NVIDIA は2026年9月2日に Hugging Face 買収の最終契約を結び、翌3日に発表しました。SEC への提出書類（Form 8-K）では、株主への支払いが約119億ドル、移籍する従業員向けの株式報酬が最大約10億ドルです。取引は規制当局の承認などを条件に、2027年上半期に完了する見込みとされています。2026年10月21日時点で、両社から完了の発表は出ていません。「NVIDIA が買収した」と完了形で書く記事もありますが、正確には合意の段階です。

NVIDIA は、Hugging Face をオープンなプラットフォームとして維持し、Hub での開発やデプロイに NVIDIA 製の計算資源を必須にしないと表明しています。買収完了後も現在の料金や利用条件が続くとは限らないため、業務で依存するなら料金ページと規約の更新を追ってください。

Hubの3機能：Models・Datasets・Spacesでできること

できることの中心は、Hub（huggingface.co）にある次の3つです。

件数は一覧ページの表示値で、9月27日（モデル3,097,051件）から約3週間で7万5千件あまり増えました。

Models：モデルカードで最初に見る5項目

モデルのページ（モデルカード）では、まずライセンス、タスク、対応言語、ファイル形式（.safetensors か .bin か）、直近30日のダウンロード数を見ます。左側のフィルタでタスク（Text Generation、Text Classification など）、言語（Japanese）、ライセンスを指定すると候補を絞れます。右上の「Use this model」には、Transformers や vLLM で読み込むコード例が出ます。

Datasets：ダウンロード前に中身を確認できるDataset Viewer

データセットのページには Dataset Viewer が付いていて、先頭の行や列の型をブラウザで確認できます。Python から読むときは datasets ライブラリの load_dataset("リポジトリ名") を使います。非公開データセットを Viewer で見るのは PRO 以上の特典です。

Spaces：無料アカウントで作れるのはStaticとZeroGPU上の2つまで

Spaces は Gradio・Docker・Static HTML の3種類の SDK でデモアプリを公開する機能です。他人が公開した Space を使うだけなら無料で、コードを書かずに画像生成や音声合成のデモをブラウザで試せます。初めて触るならここから入るのが手早い方法です。作る側の条件はSpaces の公式ドキュメントで次のように決まっています。

• Static Space は誰でも無料で作れる
• Gradio・Docker の Space は計算資源の上で動くため、作成には有料プラン（個人は PRO）が必要
• 無料の個人アカウントでも、メール認証済みで作成から30日を超えていれば、ZeroGPU 上の Gradio Space を2つまで置ける。PRO は10個まで

ZeroGPU は、処理中だけ NVIDIA RTX Pro 6000 Blackwell（最大96GB）を割り当てる共有GPUです。1日の利用枠は未ログインで2分、無料アカウントで5分、PRO で40分です。ただし、96GBの xlarge は利用枠を2倍消費します。枠は最初のGPU利用から24時間後にリセットされます。「Spaces なら無料アカウントでも自由にアプリを置ける」という古い説明は、今の条件と合いません。

主要ライブラリ：Transformers 5.20とhuggingface_hub 2.2の組み合わせ

Hub を Python から使うライブラリは、どれもオープンソースで無料です。実務でまず触るのは次の6つです。

Transformers は2026年1月26日の v5.0.0 で5年ぶりのメジャー更新になりました。v5 の移行ガイドのとおり、v5 は TensorFlow と JAX/Flax の実装を削除し、PyTorch だけをバックエンドにしています。「PyTorch と TensorFlow の両方に対応」という説明は v4 までの話です。TensorFlow の既存コードは v4 系に固定するか、PyTorch へ移す必要があります。

版の組み合わせで気をつけたいのは diffusers です。9月時点の transformers 5.17.0 は huggingface_hub 2.0 と同居できませんでしたが、5.20.2 は3.0未満まで受け入れるようになりました。一方、diffusers 0.41.0 はまだ2.0未満を指定しています。transformers と diffusers を版の指定なしで入れると huggingface_hub は 1.33.0 が選ばれ、huggingface_hub==2.2.0 と diffusers==0.41.0 を両方固定すると pip は依存関係を解決できずに止まります。2.0 で変わった点（HTTP クライアントの httpx2 への移行、upload_large_folder の廃止など）はhuggingface_hub 2.0 の移行ガイドにまとまっています。Transformers の土台にある仕組みは、Transformerの自己注意とBERT・GPTの違い、BPE・WordPiece・Unigramの違いで解説しています。

Hugging Faceの使い方：インストールからモデル実行までの4手順

ここでは Python 3.10 以上を前提に、アカウント作成から推論までを順に示します。コマンドと出力は、2026年10月21日に python:3.12-slim のコンテナへ transformers 5.20.2・torch 2.14.1（CPU版）・huggingface_hub 2.2.0 を入れて実行したものです。公開モデルを試すだけなら手順1は後回しで構いません。

手順1：アカウントとアクセストークン（read・write・fine-grained）

huggingface.co でアカウントを作り、Settings の Access Tokens でトークンを発行します。種類は3つです。

• read：読める範囲（非公開・gated を含む）のリポジトリのダウンロード用
• write：アップロードやモデルカードの更新にも使える
• fine-grained：特定のリポジトリや組織に権限を絞れる

公式ドキュメントは、本番環境では fine-grained だけを使うよう推奨しています。漏れたときの影響範囲を狭められるためです。

手順2：hf CLIのインストールとログイン

CLI の公式ガイドが推奨するのは、Python 環境と切り離して入るスタンドアロンのインストーラです。Python のライブラリも使うなら pip で入れれば hf コマンドも付いてきます。Homebrew（brew install hf）や、インストールせずに最新版を動かす uvx hf も使えます。

# 方法1：スタンドアロン（macOS・Linux）
curl -LsSf https://hf.co/cli/install.sh | bash
# 方法2：Pythonのライブラリと一緒に入れる
pip install -U "transformers[torch]==5.20.2" "huggingface_hub==2.2.0" "torch==2.14.1"

hf version           # version: 2.2.0
hf auth login        # ブラウザまたはトークンでログイン
hf auth whoami       # ログイン中のアカウントを確認

スタンドアロンのインストーラは、Claude Code などの AIエージェント向けに hf-cli というスキルも一緒に入れます。不要なら bash -s -- --exclude-skill を付けて実行します。CI では環境変数 HF_TOKEN にトークンを入れておけば、ログインしなくても認証されます。

手順3：hf downloadでモデルファイルを取得

hf download openai-community/gpt2 config.json --local-dir ./gpt2
hf download openai-community/gpt2 --include "*.safetensors" --local-dir ./gpt2

ファイル名を省くとリポジトリ全体を、--include を付けると条件に合うファイルだけを取得します。大きなモデルは重みが数十GBになるので、先に config.json だけ取って中身を確かめてから本体を落とすと無駄がありません。取得したファイルは既定で ~/.cache/huggingface/hub に入り、--local-dir を付けたときだけ指定先に置かれます。自分のモデルを公開するときは逆向きに、hf repos create ユーザー名/リポジトリ名 で作ったリポジトリへ hf upload ユーザー名/リポジトリ名 ./フォルダ . でアップロードします。

手順4：pipelineによる感情分析と英語用既定モデルの日本語誤判定例

from transformers import pipeline
clf = pipeline("sentiment-analysis")
print(clf("hugging face is the best"))
# [{'label': 'POSITIVE', 'score': 0.999839186668396}]
print(clf("このモデルはとても使いやすい"))
# [{'label': 'NEGATIVE', 'score': 0.8972124457359314}]

pipeline はタスク名を渡すだけで、前処理・推論・後処理をまとめて実行します。ただしモデルを指定しないと、感情分析では英語用の distilbert/distilbert-base-uncased-finetuned-sst-2-english が自動で選ばれます。上のとおり、日本語の肯定文を渡すと NEGATIVE と判定されました。実行時には「モデル名と revision を指定しないまま本番で使うのは推奨しない」という警告も出ます。実務では Hub で言語を Japanese に絞って見つけたモデルを pipeline("sentiment-analysis", model="リポジトリ名", revision="コミットID") の形で指定してください。自社データで追加学習するなら、ファインチューニングの実行環境と学習コードとPEFTとLoRAの違いが次の参考になります。

Hugging Faceの料金：無料でできる範囲と有料プラン

Hub の基本機能は無料です。料金がかかるのは、ストレージを増やすとき、Gradio・Docker の Space を置くとき、GPU を時間借りするとき、推論 API を使うときです。月額プランは次の4つです（2026年10月21日の料金ページとドキュメントによる）。

9月までは無料アカウントにも推論用のクレジットが月0.10ドル分付いていましたが、Inference Providers の料金ドキュメントでは Free の月間クレジットは「None」になり、使うにはクレジットの購入が必要です。PRO 以上の月2ドル分は、Inference Endpoints・Spaces の有料ハードウェア・Jobs にも使える汎用の計算クレジットです。

個人で学ぶ段階なら Free で足ります。PRO が要るのは、Docker の Space や ZeroGPU 以外で動く Gradio の Space を作るとき、ZeroGPU 上の Space を3つ以上置くとき、ZeroGPU の1日5分では足りないときです。Inference Providers の推論APIは、Free でもクレジットを購入すれば利用でき、PRO は必須ではありません。社内で SSO やアクセス監査が必要になったら Team を検討します。

従量課金：Spaces用GPU・Inference Endpoints・推論プロバイダー

月額とは別に、使った分だけ払う課金があります。Spaces のハードウェアは CPU Basic（2 vCPU・16GB）と ZeroGPU が無料で、NVIDIA T4 small が1時間0.40ドル、A100 large が1時間2.50ドルです。専用の推論サーバーを立てる Inference Endpoints は1時間0.033ドルからで、H100 1枚の構成（GCP）なら1時間10ドルです。AWS の H100 構成（1時間4.50ドル）は2025年12月から非推奨になっています。利用には有料のサブスクリプションとクレジットの追加が必要です。

Inference Providers は、Hub 経由で外部の推論事業者のAPIを呼ぶ仕組みです。料金は各事業者と同額で、Hugging Face は上乗せしません。継続して使うならクレジットを購入するか、各事業者の API キーを登録して直接請求にします。自前の GPU で推論サーバーを運用する選択肢は、vLLMの仕組みとOllama・TensorRT-LLMとの違いで比較しています。

Hugging Faceでよくあるエラーと対処

使い始めでつまずきやすいのは次の6つです。エラー文は2026年10月21日の実行で実際に出たものです。

huggingface-cli は huggingface_hub v1.0.0（2025年10月24日）で削除されました。2.2.0 の環境で打つと「command not found」になります。古い記事の huggingface-cli login は hf auth login に、huggingface-cli download は hf download に読み替えます。

gated モデルでは、CLI と Python でエラー文が違います。hf download meta-llama/Llama-3.2-1B は「Access denied」と出て止まり、Transformers の from_pretrained は HTTP 401 を含む OSError を返します。承認はアカウント単位なので、承認後も別アカウントのトークンを使っていれば同じエラーになります。

HF_HUB_OFFLINE=1 は、キャッシュにあるファイルだけで動かす設定です。社内の閉じたネットワークで使うときは、オンラインの環境で一度ダウンロードしてキャッシュごと持ち込みます。キャッシュに無いファイルを読もうとすると LocalEntryNotFoundError で止まります。

Hugging Faceで使える日本語モデルと探し方

日本語モデルは、Models のフィルタで Languages を Japanese にすると一覧できます。国内の研究機関・企業による代表的なモデルは次のとおりです。ライセンスは2026年9月27日に Hub の API で取得した値です。

東北大学のBERTは、以前 cl-tohoku という組織名で公開されていたものが、今は tohoku-nlp に移っています。古い記事のリポジトリ名で見つからないときは、組織名の変更を疑ってください。Swallow のように Llama などから派生したモデルは、元モデルのライセンス条件も引き継ぎます。Apache-2.0 や MIT のモデルと同じ感覚で商用に使うことはできません。

日本語のLLMは、トークナイザーの読み込みに追加パッケージが要る場合があります。たとえば sbintuitions/sarashina2.2-0.5b のトークナイザーは、sentencepiece と protobuf の両方が無いと ValueError で止まります。

pip install transformers sentencepiece protobuf

from transformers import AutoTokenizer
tok = AutoTokenizer.from_pretrained("sbintuitions/sarashina2.2-0.5b")
ids = tok("ハギングフェイスでモデルを探す")["input_ids"]
print(tok.convert_ids_to_tokens(ids))
# ['ハギ', 'ング', 'フェイス', 'で', 'モデル', 'を探す']

トークナイザーは PyTorch が無くても動くので、モデル本体を落とす前に日本語の分割の粒度を確かめられます。検索やRAG向けの日本語埋め込みモデルの選び方は、埋め込みモデルの仕組みと日本語モデルの選び方を参照してください。

商用利用の前に確認する4点：ライセンス・gated・safetensors・独自コード

Hub には誰でもモデルをアップロードできます。公開されていること自体は、品質も安全性も保証しません。業務システムに組み込む前に、次の4点を確認します。

ライセンスとgated（承認制）モデル

ライセンスはモデルごとに違います。Apache-2.0・MIT なら条件を守れば商用で使えます。Llama 系の独自ライセンスや CC-BY-NC（非商用）は利用範囲に制限があります。Meta の meta-llama/Llama-3.2-1B のような gated モデルは、ページ上で利用条件に同意し、承認されるまでダウンロードできません。承認は Hugging Face のアカウント単位なので、本番のアプリには承認済みアカウントの fine-grained トークンを渡します。

safetensorsとpickle：重みファイル形式による任意コード実行リスクの差

PyTorch の従来形式（.bin や .pt）は Python の pickle で保存されています。Hub の公式ドキュメントは、pickle を読み込むと任意のコードが実行されうると明記しています。Hub は全ファイルをコミットごとにマルウェアスキャンにかけ、pickle 内の import 一覧も表示しますが、これで危険をすべて検出できるわけではありません。重みしか入らない .safetensors 形式が用意されたモデルを優先します。

trust_remote_code=Trueが要るモデルの見分け方

Transformers に実装が無い独自アーキテクチャのモデルは、リポジトリ内の Python コードを実行しないと読み込めません。この場合 Transformers は「contains custom code which must be executed」という ValueError を出し、trust_remote_code=True を付けないと先へ進めません。付けると、他人が書いたコードがそのまま手元で実行されます。付ける前にリポジトリの .py を読み、読み込むコミットIDを revision 引数で固定してください。コードが別のリポジトリに置かれている場合は、そちらのコミットIDも code_revision 引数で固定します。

見分け方には注意点があります。config.json に独自クラスの参照先を示す auto_map があっても、Transformers 側に標準の実装が入っていれば独自コードは要りません。実際に deepseek-ai/DeepSeek-V3 は auto_map を持っていますが、5.20.2 では trust_remote_code 無しで設定もトークナイザーも読み込めました。deepseek_v3 は因果言語モデル（AutoModelForCausalLM）の対応表にも入っています。一方、OpenGVLab/InternVL3-1B と moonshotai/Kimi-K2-Instruct は上のエラーで止まりました。auto_map の有無だけで決めず、model_type が設定・使うモデルクラス・トークナイザーのそれぞれで標準対応しているかを確かめます。

4点をまとめて確認するスクリプトと採用しない条件

huggingface_hub の API を使うと、モデル本体を落とす前に4点の手がかりをまとめて集められます。ただし下の custom code 列は、設定クラスの登録状況から推定した簡易判定です。False でも、使う AutoModel クラスやトークナイザーが独自コードを要求する場合があります。ライセンスも列の値だけで判断せず、ライセンス本文で条件を確認してください。

from huggingface_hub import HfApi
from transformers.models.auto.configuration_auto import CONFIG_MAPPING
api = HfApi()
for repo_id in ["sbintuitions/sarashina2.2-0.5b", "meta-llama/Llama-3.2-1B",
                "deepseek-ai/DeepSeek-V3", "OpenGVLab/InternVL3-1B"]:
    info = api.model_info(repo_id)
    files = [s.rfilename for s in info.siblings]
    cfg = info.config or {}
    custom = "auto_map" in cfg and cfg.get("model_type") not in CONFIG_MAPPING
    print(repo_id)
    print("  license    :", (info.card_data or {}).get("license"))
    print("  gated      :", info.gated)
    print("  safetensors:", any(f.endswith(".safetensors") for f in files))
    print("  custom code:", custom)
    print("  downloads  :", info.downloads)

2026年10月21日の実行結果は次のとおりです。downloads は直近30日の件数です。

DeepSeek-V3 の license が None になるのは、モデルカードのメタデータに license が書かれていないためです。リポジトリには LICENSE-CODE と LICENSE-MODEL があり、重みの条件は後者の DEEPSEEK LICENSE AGREEMENT（Version 1.0）に書かれています。None のときは、こうしたファイルを直接読みます。gated=manual は、公開元が申請を1件ずつ手で承認する方式です。

次の3つがそろうモデルは、業務では採用しません。重みが .bin しかない、アップロード元が個人で所属や論文をたどれない、独自コードが必須、の3つです。どれか1つなら中身を確認して判断できますが、3つ重なると出どころの分からないコードを実行する構成になります。同じタスクの別モデルを探すほうが安全です。量子化済みの派生モデル（GGUF など）も同じ基準で見ます。形式の違いはGGUFとGPTQ・AWQの違いで整理しています。モデルの選定から社内システムへの組み込みまでを外部に相談したい場合は、生成AI導入支援も検討してください。

よくある質問

Hugging Faceは無料で使えますか？

モデルとデータセットの検索・ダウンロード、Transformers などのライブラリ、他人が公開した Space の利用は無料です。無料アカウントでも非公開リポジトリを100GBまで持てます。有料になるのは、Docker の Space や ZeroGPU 以外の Gradio Space を作るとき、ZeroGPU 上の Space を3つ以上置くとき、GPU を時間借りするとき、推論APIを使うときです。推論APIの無料クレジットは2026年10月時点で付いていません。個人向けの PRO は月9ドルです。

ハギングフェイスとは何の会社ですか？

AIモデル・データセット・デモアプリを共有するプラットフォーム「Hugging Face Hub」と、Transformers などのOSSライブラリを提供する米国企業です。2016年に設立され、利用者は1,800万人以上とされています。2026年9月に NVIDIA が買収で合意しましたが、完了は2027年上半期の見込みです。

Hugging FaceのモデルやSpacesは安全ですか？

Hub は全ファイルをマルウェアスキャンにかけていますが、誰でもアップロードできるため、公開されていることは安全の保証になりません。重みは .safetensors 形式のものを選び、trust_remote_code=True が要るモデルはコードを読んで revision を固定してから使います。

Hugging Faceのモデルは商用利用できますか？

モデルごとのライセンス次第です。Apache-2.0 や MIT は商用で使えますが、CC-BY-NC は非商用に限られます。Llama 系は独自ライセンスで条件が付きます。派生モデルは元モデルの条件も引き継ぐので、モデルカードの「base model」までさかのぼって確認してください。gated モデルは利用条件への同意と承認が必要です。

Hugging Faceで日本語のモデルはどう探せばいいですか？

Models の画面で Languages を Japanese に、Tasks を目的のタスクに絞り、ダウンロード数やトレンドの順に並べます。東北大学のBERT（tohoku-nlp）、LLM-jp、SB Intuitions の Sarashina、東京科学大学ほかの Swallow などが代表例です。トークナイザーに sentencepiece などの追加パッケージが要るモデルもあるので、モデルカードの使用例を先に読んでください。

関連記事

• Transformerとは？自己注意の仕組みとBERT・GPTの違いを実装目線で解説
• ファインチューニングの実行環境と実装｜必要GPUと学習コード
• PEFTとLoRAの違いとは？peftライブラリの使い方とQLoRA・DoRAの比較【2026年10月】
• GGUFとは？量子化モデルフォーマットの仕組みとGPTQ・AWQとの違い・採用判断を解説【2026年版】
• vLLMとは？PagedAttentionの仕組み・使い方とOllama・TensorRT-LLMとの違いを実装者目線で解説