AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
用 Go 编写的 HuggingFace 模型与数据集下载工具,支持并行下载和 GGUF 分析。
这是一个用 Go 编写的命令行工具,用于从 HuggingFace Hub 下载模型和数据集。它提供并行下载、断点续传、代理支持和交互式 GGUF 量化选择,下载文件默认存入标准 HuggingFace 缓存目录,Python 库可直接识别。
推荐指数
适合需要高速、可控下载 HuggingFace 模型的开发者,功能实用且维护活跃。
近 7 天
+10
新增 Star
总 Star 排名
#3113
雷达追踪的 3,958 个 AI 仓库中
创建于
2023
2023年6月22日
核心亮点
1并行高速下载
每个文件最多 16 个连接,同时下载最多 8 个文件,支持断点续传。
2GGUF 交互选择
提供交互式界面,显示量化质量评级和内存估算,帮助选择合适版本。
3Python 缓存兼容
下载到标准 HuggingFace 缓存目录,transformers 等库可直接加载。
4代理与认证
支持 SOCKS5 代理、认证和 CIDR 绕过规则,适应企业网络环境。
5智能分析器
自动识别 GGUF、Transformers、Diffusers、LoRA 等仓库类型并展示关键信息。
适用场景
下载 GGUF 量化模型
例如:运行 hfdownloader analyze -i TheBloke/Mistral-7B-Instruct-v0.2-GGUF 交互选择 Q4_K_M 量化并下载。
在 Python 项目中预下载模型
例如:用 hfdownloader download 下载模型到缓存,之后 from_pretrained 直接加载,无需重复下载。
企业内网下载模型
例如:通过 --proxy socks5://localhost:1080 指定代理,绕过防火墙限制下载模型。
批量下载数据集
例如:使用 hfdownloader download 下载数据集仓库,支持过滤和排除特定文件。
它是怎么工作的
第 1 步
解析仓库信息
工具向 HuggingFace Hub 查询仓库文件列表和元数据。
第 2 步
分析仓库类型
根据文件特征自动识别 GGUF、Transformers、Diffusers 等类型,展示对应信息。
第 3 步
并行分块下载
对每个文件建立多个连接分块下载,同时下载多个文件,支持断点续传。
第 4 步
校验与存储
大文件默认 SHA256 校验,文件存入标准 HuggingFace 缓存目录。
快速上手
- 1
免安装试用
通过 curl 脚本直接运行,无需安装。
bash <(curl -sSL https://g.bodaay.io/hfd) download TheBloke/Mistral-7B-Instruct-v0.2-GGUF - 2
永久安装
安装到用户目录,无需 sudo。
bash <(curl -sSL https://g.bodaay.io/hfd) install - 3
交互分析模型
使用交互式选择器查看 GGUF 量化选项。
hfdownloader analyze -i TheBloke/Mistral-7B-Instruct-v0.2-GGUF - 4
启动 Web UI
启动网页界面进行下载管理。
hfdownloader serve
适合谁
- 需要频繁下载 HuggingFace 模型的开发者
- 使用 GGUF 量化模型并需要选择合适量化的用户
- 在企业网络环境下需要代理下载的用户
- 希望下载文件能被 Python 库直接识别的用户
不太适合
- 只需要偶尔下载一次模型、不介意速度的用户
- 不熟悉命令行操作的用户
成熟度
- 活跃度最近一次推送在 2026 年 10 月,持续维护。
- 文档README 详细,包含截图和示例,但部分高级功能说明较简略。
- 社区1219 星、133 分支,开放 issue 仅 5 个,社区规模中等。
- 上手难度提供一键安装脚本和交互式界面,命令行参数清晰。
同类项目怎么选
- huggingface_hub官方 Python 库,功能全面但下载并行度和交互选择不如本项目。
- hf_transferHuggingFace 官方的高性能下载工具,专注于加速传输,缺少 GGUF 分析和交互选择。
使用前注意
- · 采用 Apache-2.0 许可,商用需保留版权声明。
- · 需要 Go 1.25+ 环境(若从源码构建),但提供预编译二进制和安装脚本。
- · 下载大模型需要足够的磁盘空间和稳定网络。
- · 代理配置需自行确保网络可达 HuggingFace Hub。
