这个 Skill 能做什么，适合哪些场景？
该技能用于回答最佳模型、模型推荐和模型比较问题。它从 Hugging Face 官方基准数据集中寻找相关排行榜，收集候选模型的成绩，并补充参数规模和许可证信息。指定设备时，它会依据内存估算 fp16 与 Q4 参数上限并进行筛选。最终输出包含基准成绩、模型规模、许可证和设备适配情况的比较表。
解析用户的任务和设备约束；调用 Hugging Face 数据集 API 获取官方基准列表；调用相关排行榜获取前列模型及分数；调用模型 API 或 hf-cli 获取参数规模、标签和模型卡信息；按设备内存过滤并按基准成绩排序，输出前 5–8 个模型的比较表。排行榜不可用时会跳过并注明；全部排行榜失败时改用按受欢迎程度搜索的结果。
- 开发者想为代码生成任务选择表现最好的模型，并需要比较基准成绩。
- 使用 MacBook、RTX GPU 或 CPU 的用户想筛选能在本机运行的模型。
- 研究人员想比较数学、推理、OCR、检索或语音识别任务的候选模型。
- 团队需要根据参数规模、许可证和排行榜成绩缩小模型选型范围。
如何安装这个 Skill？
- 执行前应确认是否允许读取并发送本地 Hugging Face token，并避免将敏感用户信息附带到查询中。
- Hugging Face API、排行榜端点和字段可能不可用或变化；应核验响应、基准来源、模型许可证和分数后再推荐。
- 该技能依赖海外 Hugging Face 服务，需确认目标用户网络环境可访问，并补充无网络或接口失败时的可用替代方案。
- 技能声明的 curated fallback table 在提供的文件中不存在，相关 fallback 路径可能无法直接执行。
- Shell / 命令行
- 网络访问
- 本地文件系统
curljqHugging Face access token
仓库 README 没有提供该技能的独立安装命令。使用 Codex 时，将 skills/huggingface-best 复制或符号链接到标准 .agents/skills 位置，例如仓库内的 .agents/skills 或用户级 .agents/skills。使用 Claude Code 时，可先将 huggingface/skills 注册为插件市场，再按仓库说明安装或添加该技能。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/huggingface/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/huggingface-best" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后直接提出具体模型选型问题，例如：为我的 16GB MacBook 推荐一个用于代码生成的模型，并比较基准成绩。 如果未提供设备，技能会跳过规模过滤并优先返回高性能模型；问题确实含糊时会先询问一个澄清问题。
这个 Skill 有哪些优点和局限？
- 覆盖任务解析、官方基准查询、模型元数据补充和设备适配筛选。
- 明确处理 fp16 与 Q4 参数预算，并保留略超预算但可量化运行的高排名模型。
- 对排行榜错误和全部查询失败提供降级处理。
- 依赖网络访问、`curl`、`jq` 以及 Hugging Face 访问令牌。
- 结果质量依赖相关官方排行榜是否存在且可访问。
- 源材料未提供测试套件、性能验证或独立安装流程。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Hugging Face 模型优选器 本页 | 42 · 不推荐 | ★ 11k | 18 天前 | Apache-2.0 |
| Hugging Face LLM 训练器 | 48 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| Hugging Face 本地模型评测 | 47 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
| Trackio 实验追踪技能 | 53 · 谨慎使用 | ★ 38k | 14 天前 | MIT |
| Hugging Face 数据集探索助手 | 49 · 谨慎使用 | ★ 11k | 18 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能明确说明会读取本地 Hugging Face token 并通过 Authorization 发送到外部 API，存在凭据暴露和外部数据流风险；未要求用户确认、未说明敏感数据处理、最小权限、隔离、回滚或结果来源核验，因此扣分。未发现恶意软件、隐蔽外传或破坏性默认行为。
步骤之间基本一致，包含设备预算、排行榜失败和模型元数据缺失的处理；但依赖 curl、jq、token、特定 API 端点和 hf-cli，未提供测试、版本锁定、超时/重试、响应校验或可诊断的异常反馈，因此按静态校准不超过10并扣分。
触发条件、任务类型、设备输入和模糊请求澄清方式较清楚；但未定义明确的不适用范围、语义误触发边界或中文使用策略，且核心查询依赖 Hugging Face 海外服务，未证明中国大陆网络可达，因此扣分。
文档分步骤组织，包含参数规则、示例、输出模板和错误处理，仓库提供 Apache-2.0、CI 校验及安全报告渠道；但技能自身没有版本、变更记录、明确维护责任、更新路径、FAQ，且引用了文件中不存在的“curated fallback table”，因此扣分。
在排行榜接口可用且数据格式符合预期时，能够生成模型比较表并考虑设备容量，核心价值明确；但输出仍需人工核验，基准选择、结果真实性、许可证和模型可运行性未被验证，fallback 描述不完整，且后续交互依赖额外判断，因此未给静态上限以上分数。
技能给出了具体 API 调用和字段，仓库 CI 能验证生成产物，但没有针对该技能关键路径的提交测试、真实执行结果或第三方交叉证据；结论主要来自可审计文本，按静态校准不超过5并扣分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →