ModelScope vs Hugging Face：中文开发者该如何选择？附API实战对比

原创

已于 2025-05-04 13:53:32 修改 · 1.7k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#ai #modelscope #huggingface

于 2025-05-02 00:01:25 首次发布

文章目录

1. 概述

提起大模型平台，不得不提的便是 ModelScope 和 Hugging Face 平台，它们都属于人工智能模型开源社区及创新平台。本文将简单介绍这两个平台的特点及常用 API，帮助您更好地了解和使用大模型。

ModelScope：由阿里巴巴通义实验室联合CCF开源发展委员会于2022年6月创立。该平台提供模型库、数据集和创空间等功能，涵盖计算机视觉、自然语言处理、语音、多模态等多个领域的任务，与清华、北大、浙大等20多所中国顶级高校展开学术合作，打造以MaaS为核心的AI开发新范式，其社区文化是“共享·共创·共进，构建持续创新的AI开源生态”。
Hugging Face：是2016年成立的开源人工智能创业公司，专注于NLP技术。其提供一系列预训练的AI模型，构建了包括自然语言处理库、模型库、数据集等在内的完整开源产品矩阵，建立了包含开发者社区等的AI开发生态，还围绕NLP、Vision等方向为客户提供定制化解决方案以获取技术服务费用。

2. 平台对比

特性	ModelScope（魔搭）	Hugging Face
开发方	阿里巴巴	Hugging Face Inc.
主要定位	中文场景优化，阿里生态集成	全球领先的开源模型社区
模型侧重	中文大模型、多模态、行业模型	全品类模型（NLP/CV/语音等）
数据集	中文数据集丰富	全球最大开源数据集库之一
部署方式	支持阿里云一键部署	本地/云灵活部署
开源协议	部分模型商用需授权	多数模型完全开源（Apache/MIT）

3. 常用API示例

3.1 ModelScope

安装与初始化
```
pip install modelscope
```

模型下载

from modelscope import snapshot_download, AutoModel, AutoTokenizer

# 下载模型（阿里云镜像加速）local_dir可指定下载路径，cache_dir指定缓存路径
model_dir = snapshot_download('qwen/Qwen-1_8B-Chat')

调用对话模型

from modelscope import AutoModelForCausalLM
from transformers import AutoTokenizer

model_path = "your/model/path"
model = AutoModelForCausalLM.from_pretrained(model_path, device_map='auto')
tokenizer = AutoTokenizer.from_pretrained(
    model_path,
    trust_remote_code=True
)

response = model.chat(
    tokenizer=tokenizer,  # 新增必要参数
    query="你好",
    history=[],
    system="你是一个有帮助的AI助手"  # 可选系统提示
)

print(response)