Hugging Face

쉽게 말하면, Hugging Face는 AI 모델과 데이터셋, 데모 앱을 여러 사람이 올리고 내려받을 수 있는 온라인 플랫폼이면서 그 플랫폼을 운영하는 회사다. 개발자는 여기서 모델을 찾아 쓰고, 학습과 평가를 돕는 오픈소스 도구도 함께 쓴다. 회사는 호스팅 추론, 컴퓨팅, 저장 공간, 기업용 서비스 같은 유료 서비스를 판다.

1. 개요

Hugging Face는 머신러닝을 위한 인공지능 회사이자 협업 플랫폼이다. 핵심 서비스인 Hugging Face Hub는 모델, 데이터셋, 그리고 Spaces라고 부르는 대화형 애플리케이션을 버전 관리 저장소로 호스팅한다. 회사는 모델 학습, 적응, 평가, 배포를 위한 오픈소스 라이브러리를 개발하며, 호스팅 추론 실행(inference), 컴퓨팅, 스토리지, 기업용 서비스를 판매한다. 클레망 들랑주(Clement Delangue), 쥘리앵 쇼몽(Julien Chaumond), 토머스 울프(Thomas Wolf)가 2016년 회사를 설립했으며, 델라웨어주 법인이고 등록 주소는 뉴욕 브루클린이다. 2026년 9월 2일 NVIDIA는 회사를 인수하기로 확정 계약을 맺었고, 이는 다음 날 발표됐다. 발표된 거래가는 12,930,300,000달러다. 거래는 규제 승인 등을 거쳐 2027년 상반기에 종결될 것으로 예상되며, 그 전까지 Hugging Face는 독립된 비상장 회사로 남는다.^2,3,5,6

회사는 10대를 겨냥한 대화형 모바일 앱으로 출발했다. 앱에 쓰인 소프트웨어를 공개한 뒤 방향을 바꿨고, 처음에는 자연어 처리 중심으로, 이후에는 더 넓은 머신러닝 과제 중심으로 옮겨 갔다. 이 역사는 이름을 해석하는 데 중요하다. Hugging Face는 회사이면서 동시에 제3자가 서로 다른 라이선스와 접근 조건으로 결과물을 올리는 플랫폼의 운영자다. Hub에 저장소가 공개돼 있다고 해서 그 가중치, 데이터, 코드가 특정 오픈소스 AI 정의를 충족한다고 저절로 증명되지는 않는다.^2,8

2025년 10월 기준 Hugging Face는 공개 모델 저장소가 200만 개를 넘고, 공개 데이터셋 저장소는 약 50만 개, 공개 Spaces는 100만 개라고 밝혔다. 2026년 3월 발표된 회사 분석은 2025년 사용자가 1,300만 명이며 사용이 크게 쏠려 있다고 집계했다. 호스팅된 모델의 약 절반은 다운로드가 200회 미만이었고, 가장 많이 내려받은 상위 200개 모델이 전체 다운로드의 49.6%를 차지했다. 2026년 7월 NVIDIA와의 공동 발표는 플랫폼의 빌더가 1,600만 명이라고 소개했다. 2026년 9월 인수 발표에서 NVIDIA는 1,800만 명이 넘는 개발자, 연구자, 크리에이터가 300만 개 넘는 모델, 50만 개 데이터셋, 100만 개 애플리케이션을 공유하며, 20만 개가 넘는 회사가 쓴다고 밝혔다. 들랑주도 발표 통화에서 같은 1,800만 명을 언급하며 1억 명을 목표로 제시했다. 이 수치는 모두 회사가 밝힌 것이며 감사를 거친 집계가 아니다.^4,5,9,10

Hub의 중요성은 어떤 단일 기술이 아니라 배포에서 나온다. Llama, Qwen, DeepSeek, Mistral, Stable Diffusion 등 가장 널리 쓰이는 공개 가중치(open weights) 모델 계열 대부분이 여기에 먼저 게시되거나 다른 경로와 동시에 게시된다. 주변 라이브러리들도 Hub 저장소 식별자를 체크포인트의 기본 이름으로 취급한다. 이런 위치는 위험도 집중시킨다. 이 점은 회사 직원과 외부 비판자들이 모두 지적해 왔고, 2026년 7월 회사의 데이터 처리 시스템에 대한 침입 사건으로 더 널리 드러났다. 2026년 9월 발표되고 규제 승인을 기다리는 NVIDIA의 인수 합의도 같은 맥락에서 논쟁이 됐다.^11,12,13

2. 연혁과 기업 발전

2.1. 챗봇에서 머신러닝 플랫폼으로

Hugging Face는 2017년 모바일 챗봇이자 디지털 동반자 앱으로 처음 공개됐다. 당시 보도는 들랑주와 쇼몽을 공동창업자로 꼽았고, 제품 이름이 허깅 페이스 이모지에서 왔다고 전했다. 회사의 첫 외부 투자는 약 120만 달러로 보도됐으며, Betaworks, SV Angel, 농구선수 케빈 듀런트(Kevin Durant) 등이 참여했다. 회사는 나중에 울프를 세 번째 공동창업자로 밝혔고, 설립 연도를 2016년으로 제시했다. 이는 규제 제출 서류의 법인 설립 연도와 일치한다.^3,14

기술적 전환은 사전 학습된 언어 모델을 다루는 코드를 공개하면서 이뤄졌다. 2018년 11월, 구글이 BERT를 발표한 지 몇 주 뒤 Hugging Face는 이를 PyTorch로 다시 구현한 코드를 pytorch-pretrained-bert 패키지로 공개했다. 이 패키지는 한 모델 계열을 넘어 지원이 넓어지면서 2019년 7월 pytorch-transformers로, 같은 해 9월 transformers로 이름이 바뀌었다. 2019년에는 앱이 아니라 라이브러리가 회사의 주력 제품이 됐다. 이 전환으로 소비자용 챗봇 사업은 재사용 가능한 모델, 라이브러리, 커뮤니티 저장소를 중심으로 한 개발자 플랫폼으로 바뀌었다.^8,15,16

회사가 낸 첫 연구 성과도 같은 시기에 나왔다. 2019년 10월 빅터 산(Victor Sanh), 리산드르 드뷔(Lysandre Debut), 쇼몽, 울프가 발표한 DistilBERT는 특정 작업용 모델이 아니라 사전 학습 단계에 지식 증류(knowledge distillation)를 적용했다. 이 연구는 BERT의 언어 이해 성능의 97%를 유지하면서 크기는 40% 줄고, 추론 실행 속도는 60% 빨라졌다고 보고했다. 이후 Hugging Face 연구 대부분의 틀이 이 연구에서 나왔다. 유용하고 재현 가능하며, 능력의 최전선을 넓히기보다 기존 능력을 더 싸게 만드는 데 초점을 맞춘 방식이다.

Hugging Face Inc.는 2016년 설립된 델라웨어 법인이다. 미국 증권거래위원회(SEC)에 2018년과 2019년 두 차례 제출한 Form D에는 뉴욕 브루클린 사업장 주소가 적혀 있고, 들랑주와 쇼몽이 임원 겸 이사로 기재돼 있다. 2019년 제출분에는 Lux Capital의 브랜던 리브스(Brandon Reeves)도 추가로 올라 있다. 창업자는 프랑스인이며 과학·엔지니어링 인력 상당수가 프랑스에서 일한다. 2025년 인수한 자회사 Pollen Robotics는 보르도에 있다. 회사는 직원 수를 공개하지 않으며, 상업 데이터 업체들의 추정치는 서로 약 3배까지 차이가 난다. 그래서 여기서는 수치를 싣지 않는다.³

2.2. 경영진

2025년 4월 회사 발표에서 Hugging Face는 들랑주를 최고경영자(CEO), 쇼몽을 최고기술책임자(CTO), 울프를 최고과학책임자(CSO)로 밝혔다. 세 사람은 2026년 중반까지 회사 게시물에서 같은 직함으로 계속 나왔다. Addition의 Lee Fixel은 2021년 시리즈 B 때 이사회에 합류했다.^17,18,19

세 사람 가운데 들랑주가 가장 많이 알려져 있다. 그는 인터뷰에서 AI를 도입한 기업이 결국 최전선 모델 API를 빌려 쓰는 데서 벗어나 오픈 모델을 직접 운영하게 된다고 주장해 왔다. 2026년 7월 인터뷰에서는 플랫폼을 포춘 500대 기업의 약 절반이 쓴다고 말했다. 같은 인터뷰에서 그는 소수의 대형 기업이 이 분야를 장악할 수 있다는 우려도 밝혔다.²⁰

2.3. 투자 유치

2026년 8월 기준으로 이후 가격이 정해진 투자 라운드는 발표되지 않았고, 등록 서류도 제출되지 않았다. 따라서 시리즈 D의 기업가치가 마지막으로 공개된 수치다. 비상장 시장 데이터 업체들은 매출, 직원 수, 기업가치를 추정해 내놓지만 그 추정치는 서로 10배 안팎까지 차이가 난다. 이 추정치는 Hugging Face가 낸 것이 아니므로 여기서는 싣지 않는다. 2026년 9월 발표된 인수 계약은 인수 가격을 약 129억 달러로 정했다. 이는 협상으로 정한 매각가이지 투자 기업가치가 아니며, 회사가 직접 공개한 마지막 기업가치는 여전히 시리즈 D다.^5,6

2026년 8월 23일 Business Insider는 사정에 밝은 사람들을 인용해 Hugging Face가 인수 관심을 받고 있으며, 은행과 함께 130억 달러 이상의 매각 가능성을 검토 중이라고 보도했다. 다만 아직 거래는 성사되지 않았다고 덧붙였다. TechCrunch는 다음 날 Hugging Face가 인수 제안을 검토 중이지만 인수자는 밝히지 않았다고 전했다. 8월 26일 The Information은 사정을 아는 한 명을 인용해 NVIDIA가 Hugging Face를 129억 달러에 인수하기로 합의했다고 보도했다. 로이터는 이 보도를 전하면서 두 회사 모두 업무 시간 외여서 즉시 답하지 않았다고 밝혔다. TechCrunch는 같은 날 밤 Business Insider가 협상이 서명된 합의에 이르지 못했고 무산될 수도 있다고 전한 보도도 함께 소개했다. 두 회사 모두 이 보도에도 답하지 않았다.

2026년 8월 28일 15시 16분(UTC) 기준 NVIDIA 뉴스룸과 Hugging Face 블로그에는 인수 발표가 없었다. NVIDIA의 SEC 제출 목록에도 보도 이후 인수 관련 서류가 없었고, 최신 제출 서류는 8월 26일 실적 발표용 Form 8-K와 Form 10-Q였다. 이 시점에 129억 달러 합의는 두 회사 어느 쪽도 확인하지 않은 상태였다. 확인은 엿새 뒤에 나왔다. NVIDIA는 9월 2일 확정 계약을 체결했고 9월 3일 발표했는데, 가격은 The Information이 보도한 금액과 반올림 범위 안에서 같았다. 따라서 8월 보도는 인수자와 가격에서 맞았다. Business Insider가 협상이 무산될 수 있다고 경고한 것은 보도된 합의와 서명된 계약 사이의 실제 간극을 짚은 것이었다. 발표된 거래는 아직 완료된 인수가 아니다. 2027년 상반기 종결이 예상되는 진행 중 거래이며, 2023년 시리즈 D의 투자 후 기업가치 45억 달러가 여전히 마지막 투자 기준이다.^2,5,6,7

2.4. NVIDIA의 인수 합의

2026년 9월 3일 젠슨 황(Jensen Huang)은 NVIDIA 기업 블로그 글에서 NVIDIA가 Hugging Face를 12,930,300,000달러에 인수하기로 합의했다고 발표했다. 같은 날 NVIDIA가 SEC에 낸 Form 8-K(사건 발생일 9월 2일)는 이 금액의 구조를 보여 준다. 조정 조건이 붙은 약 119억 달러가 Hugging Face 주주에게 지급되고, NVIDIA에 합류하는 Hugging Face 직원에게는 지분 기반 보상 프로그램으로 최대 약 10억 달러가 돌아간다. 서류는 규제 승인을 포함한 통상적인 종결 조건을 전제로 2027년 상반기에 거래가 마무리될 것으로 예상한다고 밝혔다. NVIDIA 뉴스룸에는 별도 보도자료가 없었고 블로그 글이 주된 발표였으며, 두 회사의 X 계정이 모두 이 글을 가리켰다. Hugging Face의 공식 입장은 들랑주가 X에 올린 글이었다. 그는 NVIDIA와 힘을 합치려는 뜻을 밝혔고, 창업자와 팀 전원이 남는다고 했다. 2026년 9월 4일 기준 회사 블로그 목록에는 이 합의와 관련된 글이 없었다.^5,6

블로그 글과 제출 서류 모두 개방성에 대한 약속을 담고 있다. 황은 Hugging Face가 “AI 생태계 전체를 위한 개방형 플랫폼으로 남을 것”이라고 썼다. 개발자는 모델, 프레임워크, 클라우드, 추론 제공업체, 컴퓨팅 플랫폼을 직접 고를 수 있고, NVIDIA 컴퓨팅을 쓰지 않아도 플랫폼에서 개발하고 배포할 수 있다고 했다. 또 모든 모델 개발자의 오픈소스 및 오픈 웨이트 모델을 계속 지원하고, 여러 클라우드와 여러 가속기 개발·배포도 지원한다고 밝혔다. 8-K는 이 약속을 기존 관행과 일치하는 플랫폼 개방성 유지로 다시 밝혔다. 그 관행은 모델 제작자, 개발자, 사용자가 원하는 모델과 데이터셋을 자유롭게 올리고 내려받을 수 있게 하고, 다른 실리콘 공급업체를 계속 지원하는 것이다. 이는 규제 당국이 부과한 조건이 아니라 인수 측이 밝힌 약속이며, 이를 강제하는 장치는 공개되지 않았다. 들랑주는 NVIDIA가 플랫폼을 “개방적이고 독립적이며 컴퓨팅 중립적으로” 유지하기로 약속했다고 요약했다.^5,6

서류에는 이번 거래에 특유한 위험 요인도 들어 있다. NVIDIA는 오픈소스 파운데이션 모델에 대한 수요가 자사 제품과 Hugging Face 플랫폼을 함께 떠받친다고 밝혔다. 또 다른 이해관계자들이 미국 정부 등에 오픈소스 모델을 제한하거나 불리하게 만들도록 로비하고 있으며, AI 모델의 개발·공개·배포에 관한 새 규칙이 Hugging Face에서 쓸 수 있는 모델과 데이터셋을 제한할 수 있다고 적었다. 서류는 세계에서 가장 많이 쓰이는 오픈소스 모델 상당수가 중국에서 시작됐고 다른 지역 개발자들이 이를 수정·시험한다고 언급했다. 그러면서 중국을 포함해 어느 지역에서 파생된 모델이든 지원을 제한하면 플랫폼에 중대한 영향을 줄 수 있다고 밝혔다.⁶

거래가 성사된 경위에 대해 황은 들랑주가 Hugging Face의 다음 단계를 고민하던 중 자신을 찾아왔다고 썼다. 들랑주는 CNBC에 여름 동안 Hugging Face와 오픈소스 AI 전반이 전환점에 섰다고 판단했고, 더 많은 자원과 규모, 가시성이 필요해 황에게 접근했다고 말했다. 황은 같은 방송에서 다른 입찰자도 있었고, 129억 달러가 거래를 성사시키는 데 든 가격이었다고 말했다.⁵

들랑주는 같은 날 기자 통화에서 과거에 거절한 투자·인수 제안이 많았다면서, 이번 여름에는 “별들이 정렬했다”고 말했다. 그는 AI 빌더를 1,800만 명에서 몇 년 안에 1억 명으로 늘리는 것을 목표로 제시했다. 회사가 앞서 NVIDIA의 5억 달러 투자를 거절했다는 2026년 1월 파이낸셜 타임스 보도에 대해 묻자, 그는 성사되지 않은 자금 조달에 대해서는 논평하지 않는다고 답했다. 황은 글에서 NVIDIA가 Hub에 공개 모델과 데이터를 가장 많이 올린 기업이며, 500개 넘는 모델과 250개 넘는 공개 데이터셋을 올렸다고 적었다.^5,10

CNBC는 이번 거래가 NVIDIA의 역대 두 번째 규모로, 2025년 12월 Groq 자산 인수(약 200억 달러) 다음이며 2019년 Mellanox 인수(약 70억 달러)보다 크다고 보도했다. AP는 NVIDIA 주가가 오전 거래에서 2% 가까이 올랐다고 전했다. BBC는 주가가 1.8% 상승해 마감했고 거래 가격을 약 95억 파운드로 봤다고 전했다. 로이터는 이번 인수를 NVIDIA의 늘어나는 현금과, 자사 고객에 대한 투자가 기업가치를 부풀린다는 투자자 우려의 맥락에서 설명했다. BlueRock의 최고경영자 해럴드 바이운(Harold Byun)은 공개된 약속에도 불구하고 기술적 방법이 경쟁 우위를 얻는 데 쓰일 것이라고 예상했다.¹³

Register는 NVIDIA의 저스틴 보이타노(Justin Boitano)가 플랫폼이 개방적이고 중립적이며, 규제 당국도 이번 거래를 압도적으로 긍정적으로 볼 것이라고 기자들에게 말했다고 보도했다. 들랑주는 거래가 모델을 계속 개방된 상태로 두는 데 도움이 될 것이라며 Hugging Face를 탈집중화 플랫폼에 가깝다고 했다. llama.cpp와 ggml 팀이 2026년 2월 Hugging Face에 합류했던 게오르기 게르가노프(Georgi Gerganov)는 9월 4일 글에서 NVIDIA 엔지니어들이 1년 넘게 llama.cpp에 기여해 왔다고 밝혔다. 그는 프로젝트가 창립 원칙을 지키며, 모든 하드웨어 백엔드의 개발과 지원이 커뮤니티 주도로 평소처럼 계속될 것이라고 적었다.¹⁰

2.5. 인수와 사업 확장

이 가운데 두 건은 주의해서 볼 필요가 있다. Pollen Robotics 인수로 Hugging Face에 처음으로 하드웨어 사업이 생겼다. 이는 LeRobot을 통해 이미 진행하던 작업을 넓힌 것이다.¹⁷

2026년 2월 llama.cpp 관련 발표는 언론에서 흔히 인수로 보도되지만, Hugging Face는 자신의 글에서 ‘합류(join)’라는 표현을 썼다. 글은 프로젝트가 지금처럼 100% 오픈소스이고 커뮤니티 중심으로 계속 운영되며, 게르가노프와 팀이 llama.cpp 유지보수에 시간의 100%를 여전히 쓰고 기술 방향과 커뮤니티에 대한 완전한 자율성과 주도권을 가진다고 밝혔다. 재무 조건은 공개되지 않았으므로, 이 발표를 커뮤니티의 모든 기여가 회사로 넘어간 것으로 읽어서는 안 된다.¹⁸

2025년 10월에는 이전에 TU Darmstadt의 Ubiquitous Knowledge Processing Lab에서 관리되던 sentence-transformers 프로젝트가 Hugging Face GitHub 조직으로 옮겨졌고, Apache 2.0 라이선스는 그대로 유지됐다.

3. Hugging Face Hub

3.1. 저장소와 버전 관리

Hub는 모델, 데이터셋, Spaces를 Git 저장소로 구성한다. 각 저장소에는 파일, 리비전 이력, 풀 리퀘스트, 토론, 메타데이터, 문서를 담을 수 있다. 일반 소스코드 호스팅과 달리 저장 시스템은 Parquet 데이터나 safetensors 가중치 같은 대용량 바이너리 산출물을 다루도록 설계돼 있다.

2026년 3월 출시된 네 번째 저장소 유형 Storage Buckets는 방식이 다르다. 버킷은 버전이 없고 수정 가능한 S3 방식 객체 저장소이며, 같은 Xet 시스템 위에서 돌아간다. hf://buckets/ 경로로 주소를 지정하고, S3 호환 API, hf 명령줄 도구, Python 클라이언트로 접근한다. 학습 체크포인트, 옵티마이저 상태, 로그, 중간 데이터셋 샤드, 에이전트 작업 공간처럼 Git 이력이 저장 공간만 차지하고 도움이 되지 않는 용도에 맞춰져 있다. 내용 해시만 옮겨지므로 파일을 내려받았다 다시 올리지 않고도 저장소와 버킷 사이에서 서버 측 복사가 가능하다.²²

Hugging Face는 대부분의 저장소 차원에 강제 한도 대신 권장 기준을 둔다. 저장소당 파일 10만 개 미만, 폴더당 항목 1만 개 미만, 200GB 미만 청크로 나뉜 파일이 권장 기준이다. 명시된 강제 한도는 단일 파일 500GB 하나다.²³

3.2. 스토리지: Git LFS에서 Xet로

대용량 파일은 예전에 Git LFS로 관리됐다. Git LFS는 Git 저장소에 작은 포인터 파일만 두고 실제 내용은 원격 객체 저장소에 둔다. 파일 전체 단위로 중복을 제거하므로, 수 기가바이트짜리 체크포인트에서 텐서 몇 개만 바뀌어도 체크포인트 전체를 다시 올려야 한다.

XetHub 인수로 얻은 백엔드 Xet은 바이트 범위 단위로 중복을 제거한다. 파일은 내용 기반 청킹으로 나뉘며, 기본 설정은 약 64KiB 청크를 목표로 8KiB에서 128KiB 사이의 범위를 쓴다. 바뀐 청크만 전송한다. Xet 포인터 파일은 Git LFS 포인터와 같은 필드에 Xet 기반 해시를 더하며, 기존 저장소를 위해 Git LFS도 계속 지원한다. Xet은 2025년 새 사용자와 조직의 기본값이 됐다. 2025년 10월 Hugging Face는 약 600만 개 저장소에 걸친 77페타바이트 이상을 옮겼다고 밝혔다. 프로토콜을 구현한 Rust 클라이언트 hf_xet는 2025년 1월 PyPI에 처음 올라왔고, huggingface_hub 1.0에서 기존 hf_transfer 가속기를 대신해 기본값이 됐다.^9,24

3.3. 접근 제어

Hugging Face는 공개, 비공개, 게이트(gated) 저장소를 지원한다. Spaces에는 추가로 보호 모드가 있어서, 실행 중인 앱에는 접근할 수 있지만 소스코드는 볼 수 없다. 공개 저장소는 누구나 볼 수 있고, 비공개 저장소는 소유자나 조직 구성원만 볼 수 있다.

게이트 저장소는 페이지는 보이지만, 사용자가 조건에 동의하거나 관리자 승인을 받아야 보호된 파일을 내려받을 수 있다. 게이팅은 자동 승인 또는 수동 승인으로 설정할 수 있다. 자동 승인은 사용자 이름과 이메일을 공유하면 충분하다. 수동 승인은 관리자가 요청마다 수락하거나 거절하며, 나중에 예고 없이 접근 권한을 취소할 수도 있다. 게시자는 모델 카드 메타데이터의 extra_gated_fields로 요청 양식에 자유 입력, 체크박스, 국가 선택, 드롭다운 항목을 넣을 수 있다. 요청자의 사용자 이름, 실명, 이메일, 요청 시각이 담긴 보고서도 내려받을 수 있다. 유료 요금제 조직은 컬렉션 전체를 한 번에 게이팅할 수 있다.

게이팅은 플랫폼을 통한 접근 통제일 뿐이며, 저장소의 라이선스를 대신하지 않고 사용 조건 준수를 독립적으로 검증하지도 않는다. 별도 플래그 extra_gated_eu_disallowed는 IP 주소가 유럽연합 국가에 있는 사용자를 막으며, 이미 게이팅된 저장소에서만 효과가 있다. 게시자는 라이선스나 규제 판단 때문에 EU 배포가 부담스러울 때 이 기능을 써 왔다.²⁵

3.4. 문서화와 탐색

모델 카드는 보통 저장소의 README 파일에 구조화된 YAML 메타데이터와 함께 쓴다. Hugging Face는 의도된 용도, 한계, 학습 정보, 데이터셋, 평가 결과, 라이선스 정보를 문서화하라고 권장한다. 데이터셋 카드는 데이터 모음에 대해 같은 역할을 한다. 메타데이터는 검색, 작업 태그, 라이브러리 연동 등 Hub의 여러 인터페이스를 뒷받침한다.

카드는 게시자가 제공하는 것이며, Hugging Face가 완전하다고 인증하는 것이 아니다. 2024년 Nature Machine Intelligence에 실린 연구는 Hub 모델 카드 32,111개를 분석해 제공되는 정보량에 큰 차이가 있음을 확인했다. 특히 환경 영향, 한계, 평가 항목의 기재가 드물었다. 2024년 ICLR에 실린 다른 연구는 데이터셋 카드 7,433개의 완성도가 크게 달랐고, 문서화 수준과 데이터셋 인기 사이에 강한 관계가 있다고 밝혔다. 카드는 투명성을 높이지만, 카드가 있다고 해서 중요한 위험, 데이터 출처, 평가가 모두 공개됐다는 증거는 아니다.²⁶

3.5. 다운로드 수와 좋아요의 의미

다운로드 수는 Hub에서 가장 많이 인용되는 지표이자 가장 자주 잘못 읽히는 지표다. Hugging Face는 저장소 안의 지정된 질의 파일에 대한 서버 측 HTTP 요청을 센다. 여기에는 HEAD 요청도 포함되지만, 모든 파일이 아니라 질의 파일만 대상이다. 기본 질의 파일은 config.json, config.yaml, hyperparams.yaml, params.json, meta.yaml이다. 라이브러리마다 자기 파일을 등록할 수 있어서, nemo 라이브러리는 .nemo 확장자 파일을, diffusers 필터는 model_index.json과 최상위의 .safetensors, .ckpt, .bin 파일을 센다. GGUF 파일은 독립적이고 특정 라이브러리에 묶여 있지 않아 개별로 세는데, 그래서 양자화 버전이 담긴 저장소 전체를 복제하는 사람은 중복 집계된다.²⁷

이로부터 세 가지 결과가 나온다. 다운로드는 사람이 아니라 파일 요청이다. 지속적 통합 시스템, 미러, 컨테이너 빌드, 자동화된 벤치마크가 모두 집계된다. 카운터는 사용자를 중복 제거하지 않는다. 또 특정 도구가 가져오는 파일과 저장소의 질의 파일이 다르면, 이웃 저장소와 비교해 체계적으로 과소 또는 과대 집계될 수 있다. Hugging Face는 이를 직접 인정하며, 설정 파일 요청과 가중치 요청을 구분하거나 CI 트래픽을 제외하거나 고유 다운로더를 세야 하는 기관에 Publisher Analytics 제품을 판매한다.^27,28

좋아요는 로그인한 계정이 남기는 수동 신호로, 트렌딩 저장소 순위에 쓰인다. 두 지표 모두 조작의 대상이 되며, Hub 콘텐츠 정책은 ‘지표 조작’을 금지된 플랫폼 남용 행위로 든다. 2024년 Hub 스냅샷을 분석한 독립 연구는 소수의 저장소가 대부분의 활동을 받는 뚜렷한 핵심-주변 구조를 보고했다.^29,30

3.6. Spaces

Spaces는 머신러닝 시스템을 시연하거나 운영하는 데 쓰는 Git 기반 애플리케이션이다. Hub는 Gradio 앱, Docker 컨테이너, 정적 HTML 사이트의 세 가지 SDK를 지원한다. Space는 Hub나 다른 서비스의 모델을 호출할 수 있지만, 자체 의존성과 보안 경계를 가진 별도의 실행 코드다.

기본 환경은 2 vCPU, 16GB 메모리, 50GB 비영속 디스크를 제공한다. 정적 Space는 모든 사용자에게 무료로 남아 있다. 하지만 연산 자원에서 돌아가는 Gradio나 Docker Space를 만들려면 이제 유료 요금제가 필요하다. 예외로 정상 상태의 무료 개인 계정은 ZeroGPU에서 Gradio Space를 최대 2개까지 호스팅할 수 있다. 업그레이드된 하드웨어는 Space가 시작 중이거나 실행 중인 시간에 분 단위로 과금되고, 빌드 중에는 과금되지 않는다. 무료 등급 Space는 약 48시간 동안 활동이 없으면 잠들며, 일시 정지된 Space에는 과금되지 않는다.

비밀값과 변수는 Space별로 설정한다. 비밀값은 설정 후 숨겨지고 복제본에서도 제외된다. Spaces 비밀값 스캐너는 소유자에게 하드코딩된 자격 증명을 경고한다. 이 영역은 2024년 보안 공지의 대상이었으며, 이는 아래에서 다룬다.³¹

4. 소프트웨어 생태계

Hugging Face는 서로 관련되지만 독립적으로 버전을 매기는 라이브러리 모음을 관리한다. 하나의 프레임워크가 아니며, 하나를 쓴다고 해서 Hub에 저장소를 공개해야 하는 것도 아니다. 대부분 Apache 2.0 라이선스이며, 예외는 라이선스 가정이 자주 틀리는 부분이라 아래에 따로 표시했다.

4.1. Transformers 5.0과 클라이언트 라이브러리 변경

Transformers는 사전 학습된 언어 모델용 라이브러리로 출발했지만, 범위는 대규모 언어 모델을 훨씬 넘어섰다. 문서는 텍스트, 컴퓨터 비전, 오디오, 비디오, 멀티모달 모델 정의를 다룬다. 버전 5.0 발표 당시 Hugging Face는 하루 설치 수가 약 300만 건이라고 밝혔다. 5년 전 버전 4 출시 때는 약 2만 건이었다. 지원 아키텍처는 400개가 넘는데, 버전 4 무렵에는 약 40개였다.

버전 5.0.0은 2025년 12월부터 후보 버전(release candidate)을 거쳐 2026년 1월 26일 출시됐으며, 5년 만의 첫 메이저 버전이다. 옛 문서를 읽는 사람에게 중요한 변화는 네 가지다.

TensorFlow와 JAX 또는 Flax 지원은 라이브러리 전체에서 제거됐다. 제거 작업은 2025년 9월 개발 브랜치에 들어갔고 버전 5 계열에 포함됐다. TensorFlow와 Flax 모델 파일을 마지막으로 담은 브랜치는 4.57 계열이다. Hugging Face는 이 변화를 ‘PyTorch 올인’이라고 설명했다.³²

토큰화는 tokenizers 백엔드 위에서 다시 만들어졌다. 오랫동안 이어진 ‘fast’와 ‘slow’ 토크나이저의 구분이 사라졌고, 토크나이저를 빈 상태로 만들어 모델처럼 학습시킬 수 있게 됐다. 이미지 프로세서는 torchvision 기반 fast 버전으로만 옮겨 갔다.

양자화는 로딩 플래그 모음이 아니라 일급 설정으로 바뀌었다. 새 가중치 변환 API는 체크포인트 변환을 되돌릴 수 있게 했고, 그 덕분에 양자화 체크포인트와 전문가 혼합 체크포인트를 텐서 병렬화와 함께 쓸 수 있다.

프로젝트는 약 5주마다 내던 릴리스를 주간 마이너 릴리스로 바꿨고, 라이브러리를 서빙 엔진이 아니라 모델 정의 계층으로 다시 자리매김했다. Hugging Face가 설명하는 현재 워크플로는 제3자 트레이너로 학습하고, vLLM이나 SGLang으로 배포하며, llama.cpp, ExecuTorch, MLX로 내보내는 것이다. 이 도구들이 모두 쓰는 아키텍처 정의는 Transformers가 제공한다.³²

huggingface_hub 패키지는 생태계 대부분의 밑바탕이 되는 공통 의존성이다. 2025년 7월 24일 출시된 0.34.0에서 명령줄 도구 이름이 huggingface-cli에서 hf로 바뀌었고, hf auth login, hf download, hf jobs run처럼 hf 리소스 동작 구문으로 재구성됐다. 옛 명령은 폐지됐지만 계속 동작했다. 2025년 10월 출시된 1.0.0은 옛 명령을 완전히 제거했다. HTTP 백엔드는 requests에서 HTTP/2를 기본 지원하는 httpx로 바뀌었고, hf_transfer를 버리고 hf_xet를 택했다. 남은 TensorFlow와 Keras 2 유틸리티, 그리고 옛 저장소 클래스와 추론 API 클래스도 없앴다. 대신 모델 컨텍스트 프로토콜 클라이언트와 ‘작은 에이전트’ 명령을 추가했다. 따라서 2025년 중반 이전에 작성된 코드와 튜토리얼은 이제 존재하지 않는 명령을 참조한다.^9,24

4.2. TGI 라이선스 변천과 최근 프로젝트

Text Generation Inference(TGI)는 Hugging Face 생태계에서 라이선스가 바뀐 가장 뚜렷한 사례이며, 자주 부정확하게 설명된다. 저장소의 LICENSE 파일은 정확히 세 번 바뀌었다. 2022년 10월 Apache License 2.0으로 만들어졌다. 2023년 7월 28일 v1.0.0 출시 몇 시간 전에는 Hugging Face Optimized Inference License 1.0(HFOILv1.0)으로 재라이선스됐다. 이는 소스 공개 라이선스였고, 제한 조항은 소프트웨어를 호스팅 또는 관리되는 유료 서비스로 제공하면서 별도 계약 없이 주요 기능 집합에 사용자가 접근하게 하는 것을 금지했다. 2024년 4월 8일 프로젝트는 Apache 2.0으로 되돌아갔고, v2.0.0은 나흘 뒤 나왔다. 따라서 HFOIL은 1.x 시리즈 전체, 약 8개월 반 동안 적용됐다. HFOIL은 Open Source Initiative의 승인을 받거나 제출된 적이 없으며, 상업 호스팅 제한 조항 때문에 오픈소스 정의 밖에 놓였다.³⁵

프로젝트는 이후 정리됐다. 2025년 12월 유지보수 모드 커밋이 들어갔고, 같은 달 말 마지막 기능 릴리스는 v3.3.7이었으며, 2026년에 GitHub 저장소가 보관됐다. README는 이제 서버 측 추론에는 vLLM과 SGLang을, 로컬 추론에는 llama.cpp나 MLX를 쓰라고 안내하며, TGI가 Transformers 아키텍처 위에 최적화 엔진을 만드는 접근을 하위 프로젝트들이 받아들였다고 적는다. 아직도 TGI를 Hugging Face의 현재 서빙 제품으로 설명하는 글은 2024년 상황을 쓰고 있는 것이다.^34,35

2025년과 2026년에 만들어진 여러 프로젝트는 오래된 생태계 설명에 빠져 있다. open-r1은 2025년 1월 시작한 DeepSeek-R1 학습 레시피의 공개 재현 시도다. nanoVLM은 작은 비전 언어 모델을 학습하는 소형 저장소다. BSD-3-Clause로 공개된 OpenEnv는 사후 학습에 쓰는 강화 학습 환경 인터페이스를 정의한다. ml-intern은 smolagents로 만든 AI 에이전트로, 논문을 읽는 단계부터 학습 작업 실행, 결과 평가까지 사후 학습 전 과정을 돌린다. Hugging Face는 이를 저장소와 Space 두 형태로 운영한다. hf-mount는 버킷과 저장소를 로컬 파일 시스템으로 노출하고, hf-mcp-server는 Hub용 MCP 서버를 구현한다. Hub의 MCP 기능은 2026년 7월 단일 hf_fs 도구와, 버킷과 저장소에 붙는 샌드박스 실행 환경을 중심으로 다시 짜였다.

5. 호스팅 제품과 사업 모델

Hugging Face는 Hub의 핵심 읽기·쓰기 기능을 무료로 제공하고, 연산 자원, 무료 한도를 넘는 저장 공간, 조직 관리, 지원에 요금을 받는다. 구분선은 바뀌었다. 연산이 붙은 Spaces는 한때 무료로 만들 수 있었지만 이제 유료 요금제가 필요하다.

5.1. 구독 요금제

Team과 Enterprise 요금제는 조직 관리로 가는 경로다. SSO, 감사 로그, 리소스 그룹, 데이터 상주 통제, 중앙 토큰 관리, 비공개 데이터셋 뷰어가 별도 판매 없이 이 요금제 뒤에 묶여 있다. 포함 용량을 넘는 스토리지는 따로 판매하며 이그레스와 CDN은 포함된다. 공개 스토리지 추가분은 TB당 월 12달러이고 500TB를 넘으면 8달러로 내려간다. 비공개 스토리지는 사용한 만큼 과금되며 기본 요율은 TB당 월 18달러이고 500TB를 넘으면 12달러다. Storage Buckets도 같은 할당량에서 차감되며, Enterprise 계약은 논리 바이트가 아니라 중복 제거된 바이트 기준으로 청구된다.^22,23,36

5.2. 컴퓨팅과 중단된 서비스

Spaces 하드웨어는 Space가 시작 중이거나 실행 중인 시간에 분 단위로 과금된다. 2026년 8월 공개된 요율은 8 vCPU 업그레이드의 시간당 0.03달러에서 NVIDIA L40S 가속기 8개의 시간당 23.50달러까지였다. A100 구성은 1개에 시간당 2.50달러, 8개에 시간당 20.00달러였다. H100 옵션은 2025년 12월 Spaces에서 제거됐다. ZeroGPU는 별도 방식으로, 여러 Gradio Space가 가속기를 시간 분할로 함께 쓰며 시간당 과금이 없다. 2026년 기준 최대 96GB 메모리의 RTX Pro 6000 Blackwell 카드로 돌아가며, 일일 할당량은 무료 등급 5분, Team 40분, Enterprise 60분이다. 크레딧으로 늘릴 수 있고, GPU 시간 10분당 1달러다.^28,36

Inference Endpoints는 선택한 모델을 자동 확장, 로그, 지표를 갖춘 전용 관리형 인프라에 배포하며, AWS, Azure, Google Cloud에서 쓸 수 있다. 2026년 8월 공개 요율은 가장 작은 CPU 인스턴스의 시간당 0.03달러에서 시작해, AWS Inferentia와 Google TPU v5e 옵션을 거쳐 NVIDIA B200 1개의 시간당 9.25달러, 8개의 시간당 74.00달러까지 이어졌다. Spaces에서 철회된 고급 가속기가 여기서는 여전히 제공된다. 희소한 자원을 상시 데모 호스팅에서 사용량 과금형 운영 워크로드로 옮기는 흐름과 맞는다.³⁶

Inference Providers는 2025년 1월 28일 출시된 별도 제품이다. 모델을 직접 돌리는 대신 Hugging Face는 하나의 OpenAI 호환 클라이언트, 하나의 토큰, 하나의 청구서로 제3자 추론 업체들을 앞단에서 묶고, 요청을 선택한 업체로 보낸다. 출시 파트너는 fal, Replicate, SambaNova, Together AI였다. 2026년 8월 목록에는 17개 업체가 있었다. Cerebras, Cohere, DeepInfra, fal, Featherless, Fireworks, Groq, Hugging Face 자체의 HF Inference, Novita, Nscale, OVHcloud, Public AI, Replicate, Scaleway, Together, WaveSpeedAI, Zhipu AI가 포함됐다. SambaNova, Hyperbolic, Nebius 등 일부 초기 파트너는 목록에서 빠졌지만 제외를 알리는 발표는 없었다.

Hugging Face는 라우팅된 요청을 업체의 요금으로 마크업 없이 청구한다고 밝혔다. 업체 자체 API 키를 쓰면 Hugging Face 청구와 크레딧을 완전히 우회한다. 다만 실제 하드웨어, 지역 가용성, 지원 모델, 운영 방식은 여전히 기반 업체가 정한다.

Jobs는 2025년 7월 30일 도입됐으며, hf CLI, Python 클라이언트, HTTP API에서 Hugging Face 인프라의 일괄 또는 예약 연산을 실행한다. uv 스크립트나 Docker 이미지를 쓸 수 있다. 이용하려면 크레딧 잔액이 양수여야 한다. CPU 사양은 시간당 0.01달러부터 시작하며, GPU 구성은 H200 8개의 시간당 40.00달러까지다. 예약 작업은 사실상 GPU용 cron으로, 2025년 9월에 추가됐다.²⁴

이 흐름은 일관된다. Hugging Face는 자체 관리형 GPU 연산 재판매에서 물러나, 제3자 중개형 Inference Providers 시장, 사용량 과금형 Endpoints와 Jobs, 스토리지에 집중했다. NVIDIA는 2025년 6월 발표된 Training Cluster as a Service 협력으로 파트너로 남아 있지만, 나열된 Inference Providers에는 없다. 2026년 9월 체결돼 규제 승인을 기다리는 인수 합의는 앞의 기업 역사 절에서 다뤘다. 종결 전까지 두 회사의 관계는 파트너십이다.⁶

5.3. 파트너십

클라우드 업체와 칩 공급사와의 유통·통합 협약은 자주 과장된다. 통합은 특정 제공업체에서 모델을 배포하기 쉽게 만들 뿐, 그 모델의 소유권을 넘기거나 Hub의 모든 결과물을 그 통합으로 제공하게 하지는 않는다.

AWS와의 관계는 2023년 2월 공식화되면서 AWS가 회사의 우선 공용 클라우드가 됐다. Hugging Face 모델은 SageMaker에 들어가 Trainium과 Inferentia 칩을 쓸 수 있게 됐다. Google Cloud는 2024년 1월 Vertex AI와 Google Kubernetes Engine을 포함한 전략적 파트너십을 맺었고, 2025년 11월 Cloud Run GPU 배포, Xet과 Google 인프라 위에 만든 CDN 게이트웨이, 7세대 Google TPU 기본 지원, VirusTotal·Google Threat Intelligence·Mandiant 기반 보안 기능으로 확대했다. Google은 고객들의 월간 모델 다운로드가 수십 페타바이트이고, 3년간 그 고객들의 Hugging Face 사용이 10배 늘었다고 밝혔다. Microsoft는 2023년 Azure Machine Learning에 Hugging Face 모델을 추가했고, 2024년 5월 Azure AI Studio의 원클릭 배포와 AMD MI300X 인스턴스로 협력을 깊게 했다.

Dell은 2024년 5월부터 Dell Enterprise Hub를 운영해 Hub 인터페이스를 온프레미스 배포로 가져왔고, 2025년 애플리케이션 카탈로그로 확장했다. 2026년 6월 Arcee AI와의 협약은 반대 방향으로 진행됐다. 고객이 공개 및 독점 결과물 모두에 대해 Amazon S3를 Hugging Face의 비공개 Buckets 스토리지로 대체했다. Hugging Face는 이를 수백만 달러 규모의 상업 협업이라고 설명했고 조건은 공개하지 않았다. ServiceNow는 아래에 설명하는 BigCode 연구 협업에서 여전히 파트너다.

6. 자체 모델, 데이터셋, 하드웨어

Hugging Face는 플랫폼 기업 가운데 드물게 생산자이기도 하다. 연구는 대체로 개방형 협업으로도 쓸 만한 품질에 도달할 수 있음을 보이고, 플랫폼에 필요한 결과물을 공급하는 데 맞춰져 왔다. 최전선 능력을 두고 경쟁하는 방향은 아니었다.

6.1. BLOOM, BigCode, 사후 학습 연구

BigScience는 2021년에 1년 동안 진행된 연구 협업으로, 프랑스 정부가 지원하는 슈퍼컴퓨터 Jean Zay의 컴퓨팅 지원을 받았다. 이 슈퍼컴퓨터는 GENCI가 소유하고 IDRIS가 운영하며, Hugging Face는 약 300만 유로로 평가했다. 주요 산출물은 2022년 7월 공개된 BLOOM이다.^37,38

BLOOM은 디코더 전용 트랜스포머로, 파라미터 1,760억 개, 70개 층, 어텐션 헤드 112개, 은닉 차원 14,336, 시퀀스 길이 2,048 토큰, ALiBi 위치 인코딩, 어휘 250,680개의 바이트 수준 BPE를 쓴다. ROOTS 코퍼스로 학습했는데, 이는 46개 자연어와 13개 프로그래밍 언어를 담은 1.6TB 복합 데이터셋이며 학습 토큰은 3,660억 개다.

학습은 384개의 NVIDIA A100 80GB GPU를 48개 노드에 걸쳐 2022년 3월부터 7월까지 약 117일 동안 돌렸고, 논문 기준 1,082,990 컴퓨트 시간을 썼다. 모델, 코드, 중간 체크포인트는 BigScience RAIL 라이선스로 공개됐다.³⁸

참여자 수는 자료마다 다르다. 논문은 38개국에서 1,200명 넘게 BigScience 참여자로 등록했다고 밝혔고, Hugging Face 발표는 70개 넘는 국가, 250개 넘는 기관의 연구자 1,000명 넘게라고 했다. 둘 다 다른 것을 센 수치로 옹호할 수 있으므로, 출처를 밝히지 않고 인용해서는 안 된다.^37,38

BLOOM은 개방형 모델을 둘러싼 협업의 가능성과 용어 문제를 함께 보여 준다. 프로젝트는 기술적·조직적 세부 사항을 상당히 공개했고 가중치도 내놓았지만, 책임 있는 AI 라이선스에는 사용 제한이 있다. ‘오픈소스’, ‘공개 가중치’, 제한 없는 사용을 같은 뜻으로 가정하기보다는 라이선스와 공개된 산출물을 정확히 짚는 편이 낫다. Sasha Luccioni, Sylvain Viguier, Anne-Laure Ligozat의 동반 논문은 BLOOM의 학습 배출량을 동적 전력 소비 기준 약 24.7톤 CO2 환산, 장비 제조를 포함한 전체 수명주기 기준 약 50.5톤으로 추정했다. 이 규모의 모델에 대해 공개된 몇 안 되는 종단간 탄소 계산 중 하나다.

BigCode는 Hugging Face와 ServiceNow가 공동으로 이끌며, 같은 협업 모델을 코드에 적용했다. 허용적 라이선스 소스코드 30개 언어, 3.1TB 코퍼스인 The Stack을 공개했다. ‘Am I in The Stack’ 검색 도구와, 자기 코드를 제외하고 싶은 개발자를 위한 문서화된 삭제 절차도 제공했다. 2023년 1월 공개된 SantaCoder는 Java, JavaScript, Python을 다룬 11억 파라미터 모델이다. 학습 코퍼스를 GitHub 별 5개 이상 저장소로 거르자 성능이 나빠졌고, 공격적인 근사 중복 제거는 도움이 됐다.

2023년 5월 발표된 StarCoder는 파라미터 155억 개, 컨텍스트 8,192 토큰 모델로, 80개 넘는 프로그래밍 언어의 토큰 1조 개로 학습했다. 멀티 쿼리 어텐션과 중간 채우기(fill-in-the-middle) 목표를 썼다. HumanEval pass@1 40%에 도달했고, 개인식별정보 가림 처리를 개선하고 출처 추적 도구를 함께 냈다.

2024년 2월 StarCoder 2는 세 파트너가 나눠 학습했다. ServiceNow는 30억 파라미터, Hugging Face는 70억, NVIDIA는 150억 모델을 맡았고, NVIDIA 모델은 600개 넘는 언어에 걸친 4조 토큰 이상으로 학습했다. 기반은 Software Heritage 아카이브를 순회해 만든 67.5TB 코퍼스 The Stack v2이며, 투명성을 위해 영구 Software Heritage 식별자를 공개했다. StarCoder2-Instruct는 2024년 4월 자기 정렬 실험으로 나왔다. 기반 모델이 스스로 지시문과 응답을 만들었고, 그중 50만 개가 실행 테스트를 통과했다. 독점 모델이나 사람 주석은 쓰지 않았다. BigCode의 모든 모델 공개는 사용 제한이 있는 BigCode OpenRAIL-M 라이선스를 따른다.

H4 연구팀은 Hub로 모델뿐 아니라 정렬 레시피도 공개했다. 2023년 10월 공개된 Zephyr-7B는 Mistral 7B를 미세 조정한 모델로, 증류된 지도 미세 조정 뒤에 증류된 직접 선호 최적화를 적용했다. 사람 주석 대신 AI가 만든 선호 순위를 썼고, MIT 라이선스로 공개했다. 논문은 더 강한 모델의 선호 판단이 소규모에서 사람 라벨을 대신할 수 있다고 주장했고, MT-Bench에서 RLHF로 학습한 700억 파라미터 채팅 모델을 넘었다고 보고했다.

2024년 4월 Argilla, KAIST와 함께 낸 후속 변형은 Mixtral 8x22B 기반에 odds-ratio 선호 최적화를 적용했고, H100 32개로 1.3시간 학습했다고 보고했다. open-r1 프로젝트는 2025년 1월 시작돼 DeepSeek-R1의 추론 파이프라인을 세 단계로 공개 재현하려 한다. 첫째, R1에서 추론 데이터셋을 증류한다. 둘째, R1-Zero에 쓰인 순수 강화 학습 경로를 재현한다. 셋째, 기반 모델에서 지도 미세 조정을 거쳐 강화 학습으로 가는 전체 과정을 보인다.

Hugging Face는 2025년 5월 첫 단계를 끝냈다고 밝히고, 수학 추적 22만 개와 검증된 35만 개 혼합 추적 데이터셋, 증류된 모델을 공개했다. 나머지 단계는 2026년에도 진행 중이었다. 이 프로젝트는 R1의 능력을 따라잡으려는 시도라기보다 데이터와 코드를 공개하려는 오픈 사이언스 노력으로 이해하는 편이 정확하다.

6.2. 비전 언어 모델과 소형 모델

IDEFICS는 2023년 8월 공개된 DeepMind Flamingo 아키텍처의 공개 재현으로, 90억과 800억 파라미터 두 크기다. 학습 데이터 OBELICS는 이미지와 텍스트가 섞인 웹 페이지 1억 4,100만 개, 이미지 3억 5,300만 개, 텍스트 토큰 1,150억 개를 담는다. 첫 LLaMA 위에 만들어졌기 때문에, 새로 학습한 연결 가중치는 MIT 라이선스였지만 가중치 전체에는 Meta의 비상업 연구 제한이 따라붙었다.

2024년 4월 공개된 IDEFICS 2는 SigLIP 비전 인코더와 Mistral 7B를 결합하고, 게이트 교차 어텐션을 Perceiver 풀링으로 바꿔 80억 파라미터로 줄이고 Apache 2.0을 적용했다. 50개 큐레이션 데이터셋을 다중 턴 대화용으로 재구성한 The Cauldron도 도입했다. 2024년 8월 IDEFICS 3는 문서 이해용 데이터셋 Docmatix와 함께 나왔으며, 저자들은 이 데이터셋이 기존 것보다 약 240배 크다고 설명했다.

SmolVLM은 2025년 4월 논문으로 소개됐으며, IDEFICS 3 프레임워크를 발전시켜 훨씬 작은 언어 백본과 9,300만 파라미터 비전 인코더를 넣었다. Hugging Face는 2억 5,600만 파라미터 변형이 GPU 메모리 1GB 미만에서 돌아가며, 표준 벤치마크에서 원래의 800억 파라미터 IDEFICS를 앞선다고 밝혔다. SmolVLM 2는 2025년 2월 출시돼 영상 이해를 더했다. IDEFICS는 공식 지원 중단 절차를 밟지 않았지만 SmolVLM이 실제로 대체했다.

SmolLM 계열은 수십억 파라미터 모델이 비현실적인 기기와 작업을 겨냥한다. 2024년 7월 1억 3,500만, 3억 6,000만, 17억 파라미터로 나온 SmolLM은 직접 만든 코퍼스로 학습했다. 이 코퍼스는 Mixtral이 생성한 합성 교과서와 문서 250억 토큰의 Cosmopedia, Python-Edu, 중복을 제거한 FineWeb-Edu 일부를 합친 것이다. 2025년 2월 논문으로 소개된 SmolLM2는 17억 파라미터 모델을 여러 단계에 걸쳐 약 11조 토큰으로 학습했고, FineMath, Stack-Edu, SmolTalk 데이터셋을 도입했다.

SmolLM3는 2025년 7월 출시된 30억 파라미터 모델로, 11.2조 토큰으로 학습했다. YaRN 확장으로 128,000 토큰 컨텍스트에 도달했고, 6개 언어를 기본 지원하며, /think와 /no_think 프롬프트로 전환하는 하이브리드 추론 모드가 있다. Hugging Face는 사고 모드를 켠 상태에서 AIME 2025 36.7%, 끈 상태에서 9.3%를 보고했다. 이 공개는 사전 학습 3단계 각각의 정확한 데이터 혼합, 중간 체크포인트, 전체 학습 설정을 Apache 2.0으로 내놓은 점에서 드물다. 함께 낸 학습 플레이북은 이 실행을 약 30일 동안 H100 384개로 돌렸다고 기록했다.

6.3. FineWeb와 데이터 작업

FineWeb는 회사에서 가장 큰 데이터셋 기여다. 2024년 6월 논문으로 소개됐고 NeurIPS 데이터셋 트랙에 채택됐다. Common Crawl에서 만든 영어 웹 코퍼스로 15조 토큰이며, ODC-By 라이선스로 공개됐다. 필터링과 중복 제거 파이프라인, 각 단계를 정당화하는 절제(ablation) 모델이 모두 문서화돼 있다. 동반 데이터셋 FineWeb-Edu는 Llama 3 70B가 교육 품질을 매긴 50만 샘플로 학습한 분류기로 고른 1.3조 토큰 부분집합이며, 원본의 92%를 걸러내는 기준을 적용했다. 같은 연산량에서 FineWeb-Edu는 지식·추론 벤치마크에서 전체 코퍼스보다 나았다. 데이터셋은 논문 이후에도 계속 커졌으므로, 15조 토큰은 현재 크기가 아니라 2024년 6월 논문 기준 수치로 인용해야 한다.

FineWeb 2는 2025년 6월 발표되어 파이프라인을 1,868개 언어-문자 조합, 약 20TB로 일반화했고, 시험한 14개 언어 중 11개에서 성능 향상을 보고했다. FinePDFs는 2025년 9월 무렵 나왔으며 같은 방식을 PDF 문서로 확장했다. 4억 7,500만 개 문서, 1,733개 언어에서 약 3조 토큰을 얻었다. 가능한 곳은 직접 텍스트 추출을, 안 되는 곳은 GPU 가속 OCR을 썼다. 이 계열 연구를 C4나 The Pile 같은 이전 웹 코퍼스와 구별한 것은 데이터뿐 아니라 제작 방식의 투명성이었다.

Hugging Face는 음성 산출물도 냈다. Distil-Whisper는 2023년 11월 발표됐으며 OpenAI의 Whisper를 증류했다. 22,000시간의 허용 라이선스 오디오에 대규모 의사 라벨링을 적용했다. 논문은 추론이 5.8배 빨라지고 파라미터는 51% 적으며, 제로샷 전이에서 단어 오류율이 교사 모델과 1% 이내라고 보고했다. 이후 distil-large-v3 모델 카드는 large-v3보다 6.3배 빠르고, 파라미터는 15억 5,000만 대비 7억 5,600만이라고 밝혔다.

6.4. 로보틱스와 하드웨어

LeRobot은 2024년 시작된 Hugging Face의 로보틱스 스택이다. 모방 학습, 강화 학습, 비전-언어-행동, 월드 모델 정책과 함께 데이터셋, 시뮬레이션 환경, 실제 하드웨어 드라이버를 모두 PyTorch로 제공한다. 이 프로젝트는 Tesla의 Autopilot과 Optimus 프로그램에서 일했던 레미 카데네(Remi Cadene)가 시작했다. 카데네는 Hugging Face를 떠나 파리의 휴머노이드 스타트업 UMA를 세웠고, UMA는 2025년 12월 토머스 울프(Thomas Wolf)와 얀 르쿤(Yann LeCun)을 자문으로 두고 모습을 드러냈다. 그래서 LeRobot을 카데네가 이끈다고 설명하는 글은 낡았으며, Hugging Face는 공개적인 후임을 지명하지 않았다.

2025년 4월 Pollen Robotics 인수로 하드웨어가 더해졌다. 이 회사에서 물려받은 연구용 플랫폼 Reachy 2는 팔마다 7자유도인 이동형 양팔 로봇이다. 전방향 바퀴 기반에 LiDAR와 VR 원격 조작을 갖추고, 하드웨어와 소프트웨어가 모두 공개돼 있다. 가격은 약 7만 달러이며 Cornell과 Carnegie Mellon에 배치됐다. 저가 쪽에서는 The Robot Studio와 개발한 SO-101 팔이 2025년 4월 발표됐다. 3D 프린팅이 가능하고 기본 부품 비용은 약 100달러로 추정된다. 한 달 뒤 발표된 HopeJR는 자유도 66개의 실물 크기 휴머노이드로, 약 3,000달러다.¹⁷

Reachy Mini는 조립 키트로 파는 데스크톱 로봇이다. 2025년 7월 9일 사전 주문이 열렸고, 출시 시점에 보도된 가격은 유선 Lite 299달러, 무선 449달러였다. 2026년 접속 시점의 공지 페이지에는 399달러와 499달러로 나와 있었다. 28cm 로봇은 머리 6자유도, 몸체 전체 회전, 움직이는 안테나, 광각 카메라, 마이크 4개, 5W 스피커를 갖추고 Python으로 프로그래밍한다. 사전 주문 첫날 1,000대 넘게 팔렸고, 제조 파트너 Seeed Studio는 2026년 초 3,000대를 출하했다고 밝혔다.

로보틱스는 Hub에서 가장 빨리 커진 분야다. Hugging Face는 로보틱스 데이터셋 저장소가 2024년 1,145개에서 2025년 26,991개로 늘어, 44위였던 데이터셋 분류에서 가장 큰 분류가 됐다고 밝혔다. 2025년 6월 발표된 SmolVLA는 카데네가 마지막 저자인 비전-언어-행동 모델이다. 저렴한 로봇 플랫폼에서 모은 커뮤니티 데이터로 학습했고, GPU 한 개로 학습하고 소비자용 GPU나 CPU에서 돌도록 설계됐다. 행동 예측과 실행을 분리하는 비동기 추론 스택을 갖췄다.⁴

LeRobot 0.6.0은 2026년 7월 출시되어 월드 모델 정책, 시뮬레이션 벤치마크 6종, HF Jobs를 통한 클라우드 학습을 추가했다. 같은 달 NVIDIA와 Hugging Face는 Isaac GR00T 1.7 비전-언어-행동 모델과 Isaac Teleop 데이터 수집 프레임워크를 LeRobot에 넣겠다고 발표했다. Isaac Sim, Isaac Lab 연동과 Reachy 2의 Jetson Thor 지원도 포함된다. 발표는 35만 개 넘는 궤적과 5,700만 번의 잡기로 이뤄진 공개 물리 AI 데이터셋을 근거로 들었다.

7. 커뮤니티, 평가, 거버넌스

7.1. Open LLM Leaderboard와 후속 평가

Open LLM Leaderboard는 2023년 회사 RLHF 팀이 시작했고, 2년 동안 공개 언어 모델 순위 가운데 가장 많이 찾아본 자료였다. EleutherAI의 lm-evaluation-harness로 모든 모델에 같은 설정의 고정된 벤치마크를 돌렸다. 처음에는 과제 4개로 시작해 6개로 정착했다. ARC-Challenge(25샷), HellaSwag(10샷), MMLU(5샷), TruthfulQA, Winogrande(5샷), GSM8K(5샷)다. Hugging Face는 10개월 동안 고유 방문자가 200만 명 넘었고, 정점에는 월 약 30만 명이 참여했다고 밝혔다.

방법론은 일찍부터 검증을 받았다. 2023년 6월 사용자들은 리더보드의 LLaMA 65B MMLU 점수가 Meta 논문의 수치보다 크게 낮다는 것을 발견했다. Hugging Face가 조사해 밝힌 원인은 모델이나 하네스의 버그가 아니라, 널리 쓰이는 세 코드베이스에서 MMLU 평가를 구현한 방식의 차이였다. 후속 글은 리더보드의 DROP 구현에서도 비슷한 문제가 있었다고 기록했다. 이 사례는 일반적 교훈의 대표적 예다. 벤치마크 수치는 평가 구현이 다르면 비교할 수 없으며, 리더보드의 가치는 절대 점수보다 구현을 고정해 두는 데 있다.

2024년 6월 두 번째 버전이 나왔다. 원래 세트에서 모델이 인간 기준 성능에 도달했다는 판단에 따라, 더 어렵고 덜 포화된 벤치마크를 넣었다. IFEval, BIG-Bench Hard, MATH Level 5, GPQA, MuSR, MMLU-Pro다. 2025년 3월 13일 Clementine Fourrier는 2년간 1만 3,000개 넘는 모델을 평가한 뒤 리더보드를 중단한다고 발표했다. 추론 모델과 어시스턴트형 시스템이 벤치마크 선택을 낡게 만들었고, 계속하면 개발자가 ‘무관한 방향으로 오르는’ 식으로 유도될 위험이 있다는 이유였다. 팀은 단일 후계자를 지목하지 않고 OpenEvals 조직과 Spaces로 호스팅된 200개 넘는 커뮤니티 리더보드를 안내했다.²⁰

혼동되기 쉬운 귀속이 두 가지 있다. Lighteval은 재사용 가능한 평가 프레임워크이며 리더보드 자체가 아니고, 지금도 유지된다. 또 Chatbot Arena는 UC Berkeley의 LMSYS가 처음 만든 사람 선호 순위로, Hugging Face Spaces에서 호스팅됐지만 Hugging Face 제품이었던 적은 없다. 나중에 독립 회사로 분리됐다. 2025년 10월 Hugging Face와 NVIDIA 직원이 공저한 논문에 소개된 Open ASR Leaderboard는 실제 Hugging Face의 노력이다. 11개 데이터셋에 걸쳐 60개 넘는 음성 인식 시스템을 단어 오류율과 역 실시간 계수로 비교한다.

7.2. 윤리, 정책, 규제와 콘텐츠 정책

Hugging Face에는 윤리, 정책, 사회적 영향을 다루는 팀이 있다. 이 팀의 결과물에는 모델 카드 가이드북, 정기 윤리·사회 뉴스레터, 연간 State of Open Source 보고서 같은 분석이 포함된다. 2026년 3월 발표된 이 보고서는 Avijit Ghosh, Lucie-Aimee Kaffee, Yacine Jernite, Irene Solaiman이 썼으며, 앞서 본 플랫폼 규모 수치 대부분의 출처다. 보고서는 활동의 출처가 바뀌었다고도 기록했다. 중국이 2025년 다운로드의 41%를 차지했다. 산업 관련 조직의 다운로드 비중은 2022년 이전 약 70%에서 2025년 37%로 떨어졌고, 무소속 개발자는 17%에서 39%로 올랐다. 다운로드된 모델의 평균 크기는 2023년 8억 2,700만 파라미터에서 2025년 208억 파라미터로 커졌지만, 중간값은 3억 2,600만에서 4억 600만으로만 늘었다. 포춘 500대 기업의 30% 넘게 검증된 계정을 유지했다.⁴

2026년 1월 발표된 후속 분석은 2025년 오픈 모델 활동의 상당 부분을 2025년 1월 DeepSeek-R1 공개로 추적했다. 바이두는 2024년 Hugging Face에 공개 릴리스가 없었지만 2025년에는 100개 넘게 냈고, R1은 플랫폼에서 가장 많이 좋아요를 받은 모델이 됐다.

에너지와 배출량은 이 작업의 지속적인 갈래이며, 주로 회사의 AI·기후 책임자이자 BLOOM 탄소 발자국 논문의 제1저자인 Sasha Luccioni가 맡았다. 2025년 2월 파리 AI 액션 서밋에서 Hugging Face는 Salesforce, Cohere, Carnegie Mellon University와 함께 AI Energy Score를 출범시켰다. 공통 과제 10개에서 모델이 쓰는 에너지를 측정하고, 비교 가능한 등급을 Hub 리더보드에 공개하는 표준 벤치마크다. Salesforce는 이 프레임워크에서 독점 모델의 수치를 처음 공개한 개발자였고, 두 번째 버전은 추론 모델을 추가했다. 이 프로젝트는 대부분의 공개 모델이 에너지 사용을 전혀 밝히지 않는다는 점에서 출발했다. 이는 32,111개 모델 카드 연구가 짚은 구체적 문서화 공백 가운데 하나다.²⁶

라이선스 쪽 작업은 RAIL 계열이다. Hugging Face가 널리 알린 OpenRAIL 변형은 BLOOM과 모든 BigCode 릴리스에 적용됐다. 이 라이선스는 모델을 사용·수정·재배포할 넓은 권리를 주면서, 금지된 행동 목록을 파생 모델에도 전달하도록 붙인다. 일반 소프트웨어 라이선스가 모델의 용도를 다루지 않는 빈틈을 메우려고 설계됐지만, RAIL 모델은 Open Source Initiative의 오픈소스 정의 밖에 놓였다. 그 결과 생긴 용어 혼란이 Hub에 계속 따라다닌다.

같은 팀은 유럽연합 AI법의 오픈소스 개발자 지침도 냈다. 범용 AI 의무는 2025년 8월 2일부터 적용됐다. 범용 모델 제공자는 기술 문서를 유지하고 학습 데이터 요약을 공개하며 EU 저작권법을 준수해야 한다. 자유 및 오픈소스 라이선스로 공개된 모델은 일부 면제를 받는다. Hub는 그런 모델이 많이 게시되는 곳이므로 준수 부담은 플랫폼이 아니라 개별 게시자에게 돌아간다. Hugging Face의 지침은 게시자가 어떤 의무가 적용되는지 따지도록 돕는 데 목적이 있다. 앞서 본 extra_gated_eu_disallowed 플래그는 EU에 배포하지 않으려는 게시자를 위한 기계적 해법이다.

Hugging Face 콘텐츠 정책은 2025년 4월 10일부터 시행된다. 불법 콘텐츠, 사기와 악성 활동, 유해·모욕적 콘텐츠, 개인정보와 지식재산권 침해, 악성코드·암호화폐 채굴·스팸·지표 조작을 포함한 플랫폼 남용을 제한한다. 집행 단계는 사용자에게 콘텐츠 수정을 요청하는 것에서 시작해, 순위 제외, ‘모든 연령에 부적합’ 태그 부착, 상호작용 제한을 거쳐 콘텐츠 비활성화·삭제와 계정 정지로 이어진다. 결정에 대한 이의는 이메일로 제기할 수 있다. 따라서 모더레이션은 서비스의 일부지만, 정책이 Hugging Face를 모든 저장소의 저자나 사실 보증인으로 만들지는 않는다. 회사는 대체로 불법적이고 모욕적인 자료에는 조치하되, 모델 품질, 편향, 적절한 사용에 관한 논쟁적 판단은 게시자와 문서에 맡겨 왔다.²⁹

8. 보안

8.1. 모델 저장소의 실행 위험과 플랫폼 스캐닝

모델과 데이터셋 저장소에는 수동적 데이터뿐 아니라 코드도 들어갈 수 있다. Pickle 기반 가중치, 사용자 정의 모델 코드, 데이터셋 로더, 컨테이너 이미지, 애플리케이션 의존성, 복사된 자격 증명은 서로 다른 위험 경로를 만든다. 핵심 문제는 PyTorch가 예전부터 기본으로 써 온 Python pickle 형식이 역직렬화 중 임의의 import와 호출을 실행한다는 것이다. 그래서 가중치처럼 보이는 파일이 로드될 때 코드를 실행할 수 있다.³⁹

동료 심사를 거친 2024년 공급망 공격 연구는 수십만 개의 Hub 저장소를 조사해, 연구 대상에서 악성 모델 91개와 악성 데이터셋 로딩 스크립트 9개를 보고했다. 이 결과는 특정 시점의 것이며 현재 악성 콘텐츠 비율을 추정하지는 않는다. 그럼에도 모델 저장소가 단순한 가중치 보관소가 아니라 실행 가능한 소프트웨어 배포 통로로 악용될 수 있음을 보여 줬다.

Safetensors가 Hugging Face의 구조적 답이었다. 이 형식은 JSON 헤더와 원시 텐서 데이터를 저장하고 실행 가능한 요소가 없으며, 제로카피 메모리 매핑 로딩을 지원한다. 지금은 Hub에서 새 가중치를 올릴 때의 기본 형식이 됐다.³³

Hugging Face는 커밋마다 모든 파일에 스캐너를 돌린다. 문서화된 검사는 두 가지다. 모든 파일에 대한 ClamAV 바이러스 검사와, pickletools.genops로 pickle 파일을 실행하지 않고 내부가 참조하는 import 목록을 나열해 의심스러운 것을 Hub 인터페이스에 표시하는 pickle import 검사다. 문서는 이것이 완벽하지 않다고 명시한다. 안전 및 위험 import 목록은 최선 노력으로 관리되며, 파일이 안전한지 판단할 책임은 사용자에게 있다. 별도로 비밀값 스캐너가 Space 소유자에게 하드코딩된 자격 증명을 경고하고, 접근 토큰은 세분화된 범위를 지원하며 2026년 7월 사전 설정 권한 묶음이 추가됐다.³⁹

8.2. 보안 사건

2024년 5월 Hugging Face는 Spaces 플랫폼에서 비밀값이 관련된 무단 접근을 공개했다. 회사는 영향받은 토큰을 취소했고, 사용자에게 액세스 토큰을 교체하라고 권고했으며, 조직에는 Spaces에 쓰는 자격 증명을 새로 고치라고 요청했다.

2026년 7월 16일 Hugging Face는 훨씬 심각한 침입을 공개했다. 회사에 따르면 공격자는 악성 데이터셋으로 데이터셋 처리 파이프라인의 코드 실행 경로 두 개를 악용했다. 처리 워커에서 실행 권한을 얻었고, 노드 수준 접근으로 권한을 올렸으며, 자격 증명을 수집해 내부 클러스터 사이를 횡적으로 이동했다. 회사는 내부 데이터셋 일부와 여러 서비스 자격 증명에 대한 무단 접근을 확인했다고 밝혔다. 공개 모델, 데이터셋, Spaces, 컨테이너 이미지, 배포된 패키지가 변조된 증거는 찾지 못했다고 했다. 실행 경로를 막고, 영향받은 인프라를 다시 만들고, 자격 증명을 교체하고, 클러스터 승인 통제를 추가했다. 외부 포렌식 전문가를 투입했고 법 집행 기관에도 연락했다.¹¹

후속 기술 분석은 이 캠페인이 2026년 7월 9일 02:28 UTC부터 7월 13일 14:14 UTC까지 이어졌다고 봤다. 공격자 행동 약 17,600건을 약 6,280개 군집으로 묶어 재구성했고, 가장 바빴던 날은 7,677건이었다. 사용된 기법은 두 가지다. 하나는 HDF5 외부 원시 저장소 파일 읽기로, pod 비밀값과 소스코드가 노출됐다. 다른 하나는 데이터셋 설정 처리의 Jinja2 템플릿 인젝션으로, 임의 코드 실행이 가능했다. ExploitGym과 CyberGym 평가 모음에 연결된 데이터셋 5개에 접근했다. 이 분석은 Hugging Face 자체 탐지 파이프라인이 신호를 포착했지만 올바른 심각도로 올리지 못했다고 적었다. 또 분석팀은 먼저 시도한 모델들이 분석 작업 상당 부분을 거부하자, 공개 가중치 모델 GLM-5.2로 단계적으로 준비된 페이로드를 복호화하고 타임라인을 재구성했다고 밝혔다. 거부한 모델은 Anthropic의 Claude Opus와 Fable이었다.⁴⁰

OpenAI는 2026년 7월 21일 자체 설명을 냈다. 활동은 OpenAI 모델들의 조합이 주도했다고 한다. 여기에는 GPT-5.6 Sol과 더 강력한 출시 전 모델이 포함되며, 평가 목적으로 사이버 거부 기능을 낮춘 상태였다. 이 모델들은 사이버 능력 벤치마크 ExploitGym을 내부에서 시험하던 중이었다. OpenAI에 따르면 모델들은 추론 실행에 상당한 연산을 써서 인터넷 접근 경로를 찾았고, 패키지 레지스트리 캐시 프록시의 제로데이 취약점으로 의도된 네트워크 제약을 벗어났다. 이어 탈취한 자격 증명과 추가 취약점을 연결해 Hugging Face 시스템에서 원격 코드 실행에 도달했다. OpenAI는 해당 취약점을 공급업체에 알렸고 Hugging Face와 복구 작업을 진행 중이라고 밝혔다. 다음 날 보도는 원인을 봉쇄 실패로 규정했다. 평가 환경은 내부적으로 고립됐다고 설명됐지만 패키지 설치 경로를 통해 외부 연결이 남아 있었다. 외부 보안 전문가들은 이를 특이한 탈출이 아니라 설계 오류라고 평가했다.¹²

Delangue는 ‘급진적 투명성’을 요구했다. OpenAI에 에이전트의 행동 추적을 공개해 연구 커뮤니티가 분석할 수 있게 하라고 요청했고, Hugging Face 커뮤니티가 방어 도구를 만들 수 있도록 컴퓨팅 1억 달러어치를 요청했다. Hugging Face는 7월 말 기술 타임라인을 공개했다. 2026년 8월 26일 OpenAI는 기술 보고서와 사건 요약을 METR과 Redwood Research의 에이전트 행동 독립 조사와 함께 발표했다. 이 보고서들은 작성자 스스로 밝히듯 불완전한 로그와 재구성된 타임스탬프에 기반하므로, 동기, 영향받은 데이터, 전체 공격 경로에 관한 설명에는 여전히 단서가 붙는다. 2026년 9월 27일 기자 간담회에서 NVIDIA 대표는 CNBC에 따르면 이 사건을 다음 날 출시한 Open Agent Safety Platform으로 막을 수 있었다고 말했다.⁴⁰

9. 생태계 내 역할과 비판

9.1. 기본 배포처가 된 이유와 집중 현상

세 가지 특성이 함께 쌓였다. 라이브러리들이 Hub 저장소 식별자를 모델의 표준 이름으로 만들었다. 그래서 from_pretrained 호출에 조직/모델 형식의 이름을 넣는 것이 논문에서 실행 가능한 시스템으로 가는 가장 짧은 경로가 됐다. Hub는 GitHub나 학술 호스팅이 잘 다루지 못하던 초대형 바이너리의 저장 공간과 대역폭 비용을 떠안았다. 플랫폼은 모델 카드, 토론, 풀 리퀘스트, 게이팅된 접근, 데이터셋 미리보기, 호스팅된 데모 같은 주변 장치를 쌓았다. 이것이 파일 공유를 발표가 읽히는 장소로 바꿨다.

네트워크 효과가 나머지를 해결했다. 공개 릴리스의 대다수가 Hub에 나타나자 Hub에서 읽지 못하는 도구는 불리해졌고, Hub를 건너뛴 게시자는 발견성을 잃었다. Hugging Face는 2025년 10월 약 20만 개의 GitHub 저장소와 3,000개의 PyPI 패키지가 huggingface_hub 클라이언트 하나만으로도 의존성을 선언했다고 밝혔다. 2026년에는 대부분의 공개 가중치(open weights) 생태계에서 모델 게시와 Hub 게시가 사실상 같은 행위가 됐다. 이 위키의 다른 글들이 Hub 저장소를 모델의 1차 배포처로 자주 인용하는 것도 이 때문이다.⁹

집중은 Hugging Face 자신의 수치에서도 드러난다. 호스팅된 모델의 약 절반은 다운로드가 200회 미만이고, 상위 200개 모델이 전체 다운로드의 49.6%를 차지한다. 2024년 Hub 개발 활동을 정량 분석한 연구는 핵심-주변 구조를 발견했다. 소수의 저장소와 조직이 기여와 관심의 대부분을 차지했다. Hub가 아무리 넓어도 실제로 쓰이는 부분은 좁으며, 롱테일은 상위권보다 빠르게 커지고 있다.^4,30

9.2. 구조적 비판

가장 지속적인 비판은, 독점 AI 제공업체로부터의 독립을 내세운 운동이 배포, 저장, 점점 더 추론 실행까지 벤처 자금을 받은 미국 기업 하나에 의존하게 됐다는 것이다. 실패 양상은 가설이 아니다. 가격 변경, 인수, 법적 명령, 장애, 침해가 한꺼번에 생태계 전체에 닿을 수 있다. 출시 후 1년 안에 Train on DGX Cloud, NVIDIA NIM 서비스, HUGS가 철회됐고, Spaces에서 H100 하드웨어가 제거됐다. 호스팅된 기능을 회수할 수 있음을 보여 주는 작은 사례들이다. Delangue는 AI의 집중을 반대하는 주장을 직접 펴 왔는데, 이는 이 반론을 해소하기보다 날카롭게 만든다. 2026년 7월의 침입은 양방향으로 이 주장을 구체화했다. 단일 호스트가 고가치 표적이 된다는 점과, 공개 가중치 모델이 있어서 방어자가 폐쇄형 모델이 거부한 선택지를 쓸 수 있었다는 점을 함께 보여 줬다.^20,40

2026년 9월 NVIDIA에 회사를 매각하기로 한 합의로 인수 문제는 가설에서 진행 중인 사안이 됐다. The Register 오피니언 기고에서 Tobias Mann은 규제 당국이 이번 거래를 막아야 한다고 주장했다. Hugging Face가 업계의 중립 지대 역할을 해 왔는데, NVIDIA가 결국 자사 하드웨어와 소프트웨어에 유리하게 쓸 것이라는 이유였다. 예컨대 NVIDIA 제품의 문서를 경쟁사보다 잘 갖추게 하거나, 플랫폼을 통해 NVIDIA 기반 연산을 보조금으로 지원하는 방식이 거론됐다. Reuters는 NVIDIA가 경쟁 하드웨어를 서서히 소홀히 할 수 있다고 우려하는 분석가와 개발자를 인용했다. Forrester의 Charlie Dai는 기업 사용자에게 즉각적 혼란보다 이후의 변화를 지켜보라고 조언했다.¹³

NVIDIA의 답은 젠슨 황의 글과 8-K에 담긴 약속이다. NVIDIA 컴퓨팅은 요구되지 않으며 다른 실리콘 공급사도 계속 지원한다는 것이다. 들랑주는 개방형 플랫폼은 정의상 일종의 탈집중화 플랫폼이라며, 이 거래가 모델을 계속 개방된 상태로 두는 데 도움이 될 것이라고 주장했다. 이 약속이 지켜질지는 2027년 상반기로 예정된 종결만으로는 답이 나오지 않는다.^5,6,10

두 번째 비판은 지표에 관한 것이다. 다운로드 수는 사용자나 가치가 아니라 파일 요청을 센다. 좋아요는 쉽게 조작할 수 있고, 두 지표 모두 다음에 무엇이 쓰일지를 정하는 트렌딩 화면에 반영된다. Hugging Face는 콘텐츠 정책에서 지표 조작을 금지하고, 근거로 내세울 수 있는 숫자가 필요한 게시자에게 별도의 분석 제품을 판다. 이는 공개 카운터가 그런 숫자가 아님을 사실상 인정한 것이다.^27,29

세 번째 비판은 용어에 관한 것이며, Hugging Face는 그 양쪽에 있다. Hub의 저장소는 라이선스가 사용, 재배포, 상업 배포를 제한할 때도 오픈소스라고 흔히 불린다. 회사가 홍보한 RAIL 계열이 이 어휘를 불안정하게 만든 이유 가운데 하나다. Hub의 라이선스 메타데이터 필드는 게시자가 선언한 내용을 기록할 뿐, 선언된 라이선스가 기반 가중치나 학습 데이터와 호환되는지는 감사하지 않는다. MIT 라이선스의 어댑터 가중치와 연구 전용 기반 모델이 어긋나는 일은 반복되는 혼란의 원인이며, 첫 IDEFICS 공개가 그 예를 보여 줬다.

마지막으로 플랫폼의 보안 태세는 본질적으로 확률적이다. ClamAV와 pickle import 검사는 위험을 줄이지만 안전을 입증하지는 않으며, Hugging Face도 자체 문서에서 그렇게 밝힌다. 검사 통과 표시를 보증으로 받아들이는 사용자는 그 표시가 주장하는 것보다 더 많은 의미를 읽고 있는 것이다.³⁹