01🏠Hub 활용
0/6 lessons레포, 카드, 토큰, 캐시
Hub 가 Git-backed 레지스트리. 모든 모델/데이터셋/Space 가 계약 가진 레포. 그렇게 다루면 생태계 나머지가 compose.
🤗
Hugging Face Quest
최근 수정: 2026-05-04오픈 모델 생태계, 처음부터 끝까지
Hub 레포 / 모델 카드 / Transformers / Datasets / InferenceClient / TGI / vLLM / Trainer + PEFT / Spaces — 그리고 Accelerate, Optimum, TRL, GGUF, ONNX, MLX 까지. C.W.K. 퀘스트 라인의 다른 퀘스트들이 의지하는 오픈웨이트 스택을 한 번에 다지는 자리야.
8 tracks · 50 lessons · ~36h · difficulty: beginner-to-advanced
Level 0스카우트
0 XP0/50 lessons0/10 achievements
0/120 XP to next level120 XP to go0% complete
허깅페이스는 AI 의 깃허브야. 이 퀘스트는 단어장 투어가 아니라 운영 실습 — 8개 트랙으로 묶어놨어. Hub 를 Git 기반 레포 계약으로 다루고, Transformers 라이브러리를
pipeline() 장난감 예제 너머로 끌고 가고, 스트리밍 스케일에서 데이터셋을 다루고, InferenceClient 로 프로바이더 라우팅을 걸고, TGI 랑 vLLM 을 띄우고, PEFT (LoRA/QLoRA) 로 파인튜닝하고, Spaces 에 배포하고, 마지막으로 생태계 나머지 (Accelerate, Optimum, TRL, GGUF, ONNX, MLX) 까지 — 매 레슨이 실행 가능한 코드 조각 하나, 진짜 실패 모드 하나, 공식 문서 링크 하나로 닻을 내려. Pippa-quest 랑 oo-quest 가 canonical depth floor — 이 퀘스트도 거기 맞췄어.Tracks
02🤖Transformers 라이브러리
0/6 lessonspipeline() 에서 generate() 로
Transformers 가 Auto* 레지스트리 하나, 백엔드 셋 (PyTorch 디폴트), generation state machine. pipeline() 너머의 컨트롤 가능 레이어로.
Lesson list (6)
- 01설치, 그리고 백엔드 셋의 현실~25 min · transformers, install
- 02pipeline() 추상화~28 min · transformers, pipeline
- 03태스크, Auto 클래스, from_pretrained()~30 min · transformers, auto
- 04토크나이저 깊이: BPE, WordPiece, SentencePiece~32 min · transformers, tokenization
- 05Generation 설정: Sampling, Beam, Constraints~30 min · transformers, generation
- 06저장, 로드, push_to_hub~25 min · transformers, hub, save
- 01
03📦Datasets 라이브러리
0/8 lessonsLoad, transform, stream, push
Datasets 가 Arrow 베이스, Hub 레포 + 로컬 파일 + streaming 소스 핸들 하는 단일 load_dataset(). Map, filter, split, Hub push — 전체 루프.
Lesson list (8)
- 01load_dataset(): 만능 로더~26 min · datasets, load
- 02Dataset vs DatasetDict, Features, 스키마~24 min · datasets, schema
- 03Pandas, Arrow, 뷰어로 탐색~22 min · datasets, explore
- 04dataset.map(): 캐시되는 변환~30 min · datasets, map
- 05Streaming Datasets 와 IterableDataset~26 min · datasets, streaming
- 06로컬 파일에서 커스텀 데이터셋~24 min · datasets, custom
- 07Splitting, Combining, Concatenating~20 min · datasets, split
- 08Caching, push_to_hub, 재현성~24 min · datasets, hub, cache
- 01
04🔌InferenceClient & 프로바이더
0/5 lessons클라이언트 하나, 백엔드 여럿
InferenceClient 가 HF-호스트, third-party 프로바이더, 너 TGI 박스, OpenAI-호환 엔드포인트와 얘기하는 추상화. 같은 코드, string 하나 바꾸면 다른 백엔드.
Lesson list (5)
- 01InferenceClient: 객체 하나, 백엔드 여러 개~26 min · inference, client
- 02Provider Routing 과 가격 표면~24 min · inference, providers
- 03Streaming, Tool Use, Structured Output~30 min · inference, streaming
- 04OpenAI 호환 엔드포인트~22 min · inference, openai-compat
- 05비용, Rate Limit, 재시도 전략~26 min · inference, ops
- 01
05🚀TGI 와 vLLM
0/5 lessons진짜 서빙, 진짜 동시성
Continuous batching, PagedAttention, serve-타임 양자화, health 엔드포인트, 재시작 전략. pipeline()-behind-Flask 에서 실제 트래픽 처리하는 서버로.
06🎯Trainer + PEFT
0/8 lessonsSFT, LoRA, QLoRA, DPO
Trainer + TrainingArguments + 올바른 collator + 올바른 metric 이 canonical 루프. PEFT (LoRA / QLoRA) 가 작은 GPU 에 큰 모델 fine-tune 하는 방법. SFTTrainer 가 챗 데이터용 wrap.
Lesson list (8)
- 01Trainer 와 TrainingArguments~30 min · training, trainer
- 02Data Collator: Padding 과 그 너머~22 min · training, collator
- 03Eval Metric 과 evaluate 라이브러리~24 min · training, eval, metrics
- 04Mixed Precision, Gradient Accumulation, 메모리~26 min · training, memory, amp
- 05왜 Fine-Tune (vs. Prompt, vs. RAG)~20 min · training, decision
- 06LoRA: Low-Rank Adaptation~28 min · training, peft, lora
- 07QLoRA 와 PEFT 라이브러리~26 min · training, peft, qlora
- 08SFTTrainer, Chat Template, Merging~26 min · training, trl, sft
- 01
07🖼️Spaces 와 앱
0/4 lessonsGradio, Streamlit, Docker
Space 가 manifest 로 앱 돌리는 Git 레포. ML 데모엔 Gradio, stateful 대시보드엔 Streamlit, 나머지엔 Docker, plain HTML 엔 static.
08🛠️생태계 운영
0/8 lessonsSafetensors, GGUF, MLX, DPO, E2E
Safetensors 보안, 양자화 포맷 (AWQ/GPTQ/GGUF/MLX/ONNX), Accelerate + FSDP, Optimum 의 하드웨어 런타임, preference alignment 의 TRL, end-to-end Hub→Train→Serve→Space 루프.
Lesson list (8)
- 01Safetensors: 왜 디폴트인가~22 min · ops, safetensors, security
- 02양자화 포맷 cheat sheet~24 min · ops, quantization
- 03Ollama / llama.cpp 용 GGUF Export~24 min · ops, gguf, ollama
- 04ONNX 와 MLX 변환~22 min · ops, onnx, mlx
- 05Accelerate: 멀티 디바이스, Mixed Precision, FSDP~22 min · ops, accelerate
- 06Optimum: 하드웨어별 최적화~20 min · ops, optimum
- 07TRL: RLHF, DPO, Preference Optimization~24 min · ops, trl, rlhf
- 08End-to-End: Hub → Train → Serve → Space~28 min · ops, pipeline
- 01
댓글 0
🔔 답글 알림 (로그인 필요)로그인 — 댓글을 남기려면 로그인해 주세요.
아직 댓글이 없어요. 첫 댓글을 남겨보세요.