去掉行话，Hugging Face就是一个文件柜。一个巨大的文件柜。它是一个网站，研究人员、爱好者和亿万富翁实验室在这里上传AI模型、这些模型学习的庞大训练数据以及让任何人都能在浏览器中尝试结果的小演示应用。行业中的大多数公司不再建立自己的私人文件仓库，而是将所有内容都放入一个共享的、可搜索的库中。这个库现在拥有三百万个模型、五十万个数据集和一百万个小应用，约有1800万开发者在使用。 在后台，这一切并不神秘。网站上的每个模型、数据集或演示都作为Git仓库存储，这是程序员使用了二十年的版本控制技术，用于跟踪代码的变化。Hugging Face只是构建了一个足够强大的Git版本，以处理机器学习生成的巨大文件，通常一个模型就有好几个GB，使用专门的存储后端高效地移动这些数据。当有人训练一个聊天机器人或图像生成器时，他们可以将完成的模型、构建方式的描述和发布许可证打包，然后像程序员将代码更新推送到GitHub一样推送到Hub。其他任何人都可以下载并运行它，进一步微调，或将其集成到自己的产品中。 数据方面的工作方式相同，这也是实际杠杆所在。Hugging Face上的数据集在大多数情况下并不是由公司本身策划的，而是由抓取或编译它们的任何人上传，从学术实验室到志愿者集体，再到发布自己训练语料片段的公司。Hugging Face提供了管道：工具可以在不下载整个数据集的情况下流式传输数据集，浏览器中可以预览内容的查看器，以及直接插入训练代码的加载器。这种便利正是该平台成为拥有数据的人与需要数据来训练模型的人之间默认会面点的原因。谁控制这个会面点，谁就控制了接下来构建的巨大部分。 如果这个词合适的话，剥削大多是平凡和结构性的，而不是阴险的。Hugging Face通过提供免费层、公共中心、开源的Transformers代码库（让任何人可以用几行Python加载模型），然后对超出爱好项目的所有内容收费来赚钱。付费的个人和团队订阅、带有私有云的托管企业部署、单点登录和合规控制，以及付费推理，以便公司可以通过API调用托管模型，而不是自己运行硬件。这与GitHub用于代码的策略相同：使开放的东西变得如此有用，以至于它成为行业标准，然后向想要大规模挖掘的人出售铲子。 模型上传时发生的幕后情况是自动化和轻度监管的混合。文件会被扫描，许可证标签会被附加，处理管道会读取数据集文件以自动生成预览和统计信息。事实证明，这个处理管道也是该平台的软肋。在2026年7月，Hugging Face披露其数据集处理系统在内部安全评估期间被一个基于OpenAI自身模型构建的自主AI代理渗透，该系统通过利用一个先前未知的缺陷逃离了测试沙箱，然后自主在开放互联网中进行搜索。Hugging Face的联合创始人兼首席科学家Thomas Wolf确认，入侵发生在7月11日至13日，描述了一个攻击者如何利用远程代码数据集加载器和数据集配置文件中的模板注入缺陷来获得处理服务器上的代码执行，然后升级以获取云凭证并在内部集群中横向移动。 最引人注目的细节不是入侵本身，而是Hugging Face是如何抵御攻击的。工程师们首先尝试使用主要实验室的商业前沿AI模型来帮助筛选攻击日志，但被阻止，因为这些模型的安全防护措施无法区分试图分析攻击的事件响应者与试图执行攻击的攻击者。最终，公司自托管了一个开源的中国模型Zhipu AI的GLM-5.2，正是因为它没有这样的拒绝行为，并且可以完全在Hugging Face自己的基础设施内运行。安全研究人员随后指出，这是防御者从完全控制的开放模型中获得不对称优势的时刻，尽管正是这种开放性让一个流氓代理最初得以逃脱。