Hugging Face（ハギングフェイス）とは？できること・料金・使い方【2026年9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ためのプラットフォームと、その運営企業の名前です。2026年9月27日時点で、公開モデルの一覧には3,097,051件、データセットには1,064,101件が並んでいます。gated（承認制）でない公開モデルを探してダウンロードするだけなら、無料でアカウントも要りません。

この1年で使い方と料金の前提がいくつか変わりました。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、Gradio の Space を無料アカウントで自由に作れる時代も終わっています。さらに2026年9月2日には NVIDIA が Hugging Face の買収で合意しました。本記事では、これらを反映した2026年9月時点の情報で、できること・料金・使い方・日本語モデル・商用利用前の確認点をまとめます。

まとめ：Hugging Faceの要点（2026年9月時点）

• 読み方は「ハギングフェイス」。社名はロゴにもなっている絵文字（U+1F917、抱きしめる顔）の Unicode 名と同じ
• 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〜（要相談）
• 無料アカウントで作れる Space は Static と、ZeroGPU 上の Gradio Space 2つまで。Gradio・Docker を自由に置くなら PRO が必要
• CLI は hf、ライブラリは Transformers 5.17.0（PyTorch 専用）が2026年9月時点の現行
• 商用で使う前に、ライセンス・gated（承認制）・safetensors の有無・trust_remote_code の要否を確認する
• NVIDIA による買収は合意済みだが未完了。クローズは2027年上半期の予定

以下、会社の概要から料金、手を動かす手順、業務で使う前の判断基準の順に説明します。

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

表記は「Hugging Face」「HuggingFace」「huggingface」のいず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。共同創業者は CEO の Clément Delangue、CTO の Julien Chaumond、CSO の Thomas Wolf の3人です。

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。違いは置く中身と、その周辺機能にあります。GitHub がソースコードの置き場であるのに対し、Hub には数GB〜数百GBの重みファイルが置かれ、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）に記載されたライセンス・タスク・言語がメタデータとして検索に使われ、Spaces でブラウザから動かすデモもそのまま公開できます。

コードは GitHub、学習済みの重みとデータは Hub、と分けて置くのが一般的な構成です。

NVIDIAによる買収合意（2026年9月）と利用者への影響

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、Hugging Face から移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年上半期にクローズする予定で、2026年9月時点ではまだ完了していません。

利用面について 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 上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。現時点で料金や利用規約が変わったという発表はありません。ただしクローズ後の条件は未確定なので、業務で依存する場合は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

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

モデルとデータセットの件数は一覧ページの表示値で、日々増えます。Spaces は一覧に総数が出ないため、Hugging Face の PRO 紹介ページにある表記を載せています。

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 などで読み込むためのコード例が表示されます。

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の Viewer は PRO 以上の特典です。

Spaces：2026年の無料枠は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、画像生成や音声合成のデモをブラウザで動かせます。一方、作る側の条件は2026年時点のSpaces の公式ドキュメントで次のように変わっています。

• 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日以上経っていれば、ZeroGPU 上の Gradio Space を2つまで置ける

「Spaces は無料アカウントでも自由にアプリを置ける」という以前の説明は、2026年の条件とは合いません。ZeroGPU は NVIDIA RTX Pro 6000 Blackwell を処理中だけ割り当てる共有GPUです。1日あたりの利用枠は未ログイン2分、無料アカウント5分、PRO 40分となっています。

主要ライブラリ：Transformers v5とhuggingface_hubの現行版

Hub を Python から使うためのライブラリは、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5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 の移行ガイドによると 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。5.17.0 には TFAutoModel や FlaxAutoModel が無く、公式インストールガイドも Python 3.10 以上・PyTorch 2.5 以上を前提にしています。「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。

注意したいのが版の組み合わせです。transformers 5.17.0 は依存条件で huggingface-hub<2.0 を指定しているため、9月24日に出た huggingface_hub 2.0.0 とは同じ環境に入りません。版を指定せずに両方を入れると huggingface_hub は 1.x 系が選ばれ、transformers==5.17.0 と huggingface_hub==2.0.0 を両方固定すると依存関係を解決できずにインストールが止まります。Transformers の土台にある Transformer アーキテクチャやトークナイザーの仕組みは、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 以上の環境を前提に、アカウント作成から推論までを順に示します。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つあります。

• read：読めるリポジトリ（非公開・gated を含む）のダウンロード用
• write：モデルの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：ライブラリのインストールとhf CLIでのログイン

pip install "transformers[torch]==5.17.0"
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

huggingface-cli login は huggingface_hub v1.0.0（2025年10月24日）で削除されました。古い記事の手順をそのまま打つと「command not found」になるので、hf に読み替えてください。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

ファイル名を省略する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になるため、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は ~/.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。

手順4：pipelineで推論（既定モデルは英語専用）

from transformers import pipeline

clf = pipeline("sentiment-analysis")
print(clf("hugging face is the best"))
# [{'label': 'POSITIVE', 'score': 0.9998704791069031}]

上は公式インストールガイドにある動作確認用のコードです。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。日本語の文を渡しても意味のある判定にはならないので、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") の形で指定します。自社データで追加学習する段階に進むなら、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。料金が発生するのは、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 をまとまった量使うときです。月額プランは次の4つです（2026年9月27日の料金ページとドキュメントによる）。

無料クレジットは Free だと Inference Providers 専用ですが、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 が必要になるのは、Docker の Space や ZeroGPU 以外で動く Gradio の Space を作るとき、ZeroGPU 上の Gradio 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。社内で SSO やアクセス監査が必要になった時点で 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）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枚なら1時間4.50ドルです。

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。Hugging Face は上乗せ手数料を取らないとしています。無料アカウントの月0.10ドル分のクレジットは試用程度の量です。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現在 tohoku-nlp に移っています。旧名でも API はリダイレクトされますが、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 などの派生として作られたモデルは、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で追加パッケージが要る場合があります。たとえば transformers 5.17.0 で sbintuitions/sarashina2.2-0.5b のトークナイザーを読むには、sentencepiece と protobuf の両方が必要です。どちらかが無いと 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 が無くても動くため、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・trust_remote_code

Hub のモデルは誰でもアップロードでき、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異なります。Apache-2.0・MIT なら条件を守れば商用で使えます。一方で、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て承認されるまでダウンロードできません。未承認のまま hf download を実行すると「Access denied. This repository requires approval.」で止まります。承認は Hugging Face のアカウント単位で行われるため、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、これで危険が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 形式が用意されているモデルを優先します。

trust_remote_code=Trueの実行リスクと確認手順

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。Transformers はこの場合「contains custom code which must be executed」というエラーを出し、trust_remote_code=True を指定しないと先へ進めません。これを付けると、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、読み込むコミットを revision 引数で固定してください。後からコードが書き換えられても影響を受けなくなります。

4点をまとめて確認するスクリプトと採用しない条件

4点とも、huggingface_hub の API でダウンロード前にまとめて確認できます。trust_remote_code が要るモデルは、config.json に独自クラスの参照先を示す auto_map を持っているので、その有無で判定します。

from huggingface_hub import HfApi

api = HfApi()
for repo_id in ["sbintuitions/sarashina2.2-0.5b", "meta-llama/Llama-3.2-1B"]:
    info = api.model_info(repo_id)
    files = [s.rfilename for s in info.siblings]
    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:", "auto_map" in (info.config or {}))
    print("  downloads  :", info.downloads)

2026年9月27日の実行結果は、sarashina2.2-0.5b が license=mit・gated=False・safetensors=True・custom code=False、Llama-3.2-1B が license=llama3.2・gated=manual（手動承認）・safetensors=True・custom code=False でした。同じ判定を deepseek-ai/DeepSeek-V3 にかけると custom code=True になります。downloads は直近30日の件数です。

次の条件がそろうモデルは、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、trust_remote_code=True 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。

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 Gradio Space を3つ以上置くとき、GPU を時間借りするとき、推論APIを月0.10ドル分より多く使うときです。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。利用者は1,800万人以上とされています。2026年9月に NVIDIA が買収に合意しましたが、取引の完了は2027年上半期の予定です。

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 が必要な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、モデルカードに書かれた「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必要なモデルもあるので、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？仕組み・使い方・QLoRA/DoRAとの比較を実装例つきで解説
• 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