Was du jetzt noch entdecken kannst

Sechs Kapitel, sechs Ergebnisse. Was jetzt kommt, sind keine Anleitungen mehr, sondern Türen: Dinge, von denen du wissen solltest, dass es sie gibt, damit du sie findest, wenn du sie brauchst.

Eine Warnung steht auch dabei, und die ist der wichtigste Absatz dieses Kapitels.

Agenten: smolagents und Tiny Agents

Hugging Face hat zwei sehr verschiedene Antworten auf die Frage, wie ein Modell Werkzeuge benutzt.

smolagents ist ein schlankes Agenten-Framework mit einer ungewöhnlichen Idee: Der CodeAgent lässt das Modell seine Aktionen als Python-Code schreiben, der dann ausgeführt wird - in einer Sandbox, wenn man es richtig macht. Statt drei nacheinander geschickter Werkzeugaufrufe schreibt das Modell eine Schleife. Daneben steht der klassische ToolCallingAgent mit JSON-Aufrufen. Der Kern ist bewusst klein gehalten, unter tausend Zeilen.

Tiny Agents ist noch kleiner: Der huggingface_hub bringt selbst einen MCP-Client und eine Agent-Klasse mit, die auf wenige Dutzend Zeilen kommt. Sie verbindet sich mit MCP-Servern, zieht deren Werkzeuge und reicht sie an ein Modell weiter. Genau dort schließt sich der Kreis zu Kapitel 05: Der Gradio-Space, den du gebaut hast, ist ein solcher MCP-Server.

Wenn es ernst wird: TGI und TEI

Zwei Server, die Hugging Face für den Produktivbetrieb entwickelt hat und die du selbst hosten kannst - beide als Docker-Container, beide OpenAI-kompatibel:

TGI (Text Generation Inference) serviert Sprachmodelle mit Batching und den üblichen Durchsatz-Optimierungen. TEI (Text Embeddings Inference) macht dasselbe für Embeddings und Reranker - der Baustein, den eine RAG-Pipeline zwischen Dokumenten und Datenbank braucht.

Wenn du an dieser Stelle stehst, ist der Kurs RAG von Grund auf der nächste sinnvolle Schritt, und der Baustein Inferenz-Engines die Landkarte dazu.

Die kostenlosen Kurse

Unter huggingface.co/learnExtern - Öffnet in neuem Tab liegt eine ganze Kursbibliothek, kostenlos zugänglich, mit Zertifikaten, die in deinem HF-Profil erscheinen:

• LLM Course - die breiteste Grundlage: Transformers, Tokenizer, Datasets, Fine-Tuning.
• AI Agents Course - smolagents, LlamaIndex, LangGraph; praktische Aufgaben, die in Spaces abgegeben werden.
• MCP Course - das Model Context Protocol, in Zusammenarbeit mit Anthropic.
• Dazu Kurse zu Deep Reinforcement Learning, Diffusion, Audio, Computer Vision und Robotik.

Sie sind auf Englisch, textbasiert und ohne Frist. Wer aus diesem Kurs kommt und tiefer will, ist beim LLM Course richtig; wer bei Kapitel 05 hängengeblieben ist, beim Agents Course.

Papers und Collections

Papers verbindet arXiv-Veröffentlichungen mit den Modellen, Datensätzen und Spaces, die dazugehören. Das ist der kürzeste Weg von „darüber habe ich gelesen“ zu „das kann ich ausprobieren“.

Collections sind Sammlungen aus Modellen, Datensätzen und Spaces, die jemand zu einem Thema zusammengestellt hat. Eigene Collections anzulegen ist die einfachste Art, sich die eigene Recherche zu merken - und deutlich brauchbarer als dreißig Browser-Tabs.

Und jetzt die Warnung

Das Open LLM Leaderboard war jahrelang die bekannteste Seite des Hubs: eine Rangliste offener Modelle, monatlich von hunderttausenden Menschen genutzt.

Es wurde im März 2025 archiviert. Es steht noch da, es lässt sich noch öffnen, es sieht noch aus wie vorher - aber es wird nicht mehr aktualisiert. Was du dort siehst, ist ein Standbild aus dem Frühjahr 2025.

Die Gründe für die Archivierung sind übrigens lehrreich: Die Benchmarks waren gesättigt (oben drängten sich zu viele Modelle mit fast identischen Werten), der Rechenaufwand war erheblich, und die Bewertung verschob sich in Richtung menschlicher Präferenz. Das ist kein Versagen der Liste, sondern ein Hinweis darauf, wie schnell Bewertungsverfahren altern.

Was du stattdessen benutzt:

• Arena-artige Vergleiche, in denen Menschen zwischen zwei Antworten wählen.
• Aufgabenspezifische Ranglisten - für Embeddings das MTEB-Leaderboard, für europäische Sprachen Vergleiche wie EuroEval.
• Deinen eigenen Test. Zwanzig echte Beispiele aus deinem Anwendungsfall sagen mehr als jede allgemeine Rangliste. Der Baustein Benchmarks erklärt, warum.

Der Meilenstein

Kein Code diesmal, sondern eine Datei. Schreib drei Dinge auf:

1. Welche Tür du als nächste öffnest - Agenten, Produktionsserver, Fine-Tuning, oder einer der Kurse. Eine, nicht vier.
2. Warum, in einem Satz, mit Bezug auf eine echte Aufgabe.
3. Ein Lesezeichen auf eine Rangliste oder Vergleichsseite, die noch gepflegt wird - mit dem Datum, an dem du geprüft hast, dass sie aktuell ist.

Punkt 3 ist der eigentliche Prüfstein dieses Kapitels. Wer ihn beantworten kann, hat die Lektion verstanden: Auf einer Plattform, die sich alle paar Monate häutet, ist das Wissen darüber, was veraltet ist, genauso viel wert wie das Wissen darüber, was es gibt.