Hugging Face Hub
Importa datasets públicos de la comunidad más grande de machine learning directamente a AstrApp para entrenar tu modelo.
¿Qué es Hugging Face Hub?
Hugging Face Hub es el repositorio más grande de datasets y modelos de machine learning. Desde AstrApp buscas e importas datasets públicos sin descargar archivos a mano. La integración requiere el plan Professional.
Abre la pestaña de Hugging Face
En el menú lateral de la app, entra a Datasets › Ver todos (clásico) y selecciona la pestaña Hugging Face.
Busca un dataset
Escribe un nombre o un tema en la barra de búsqueda y elige el dataset que quieras importar.
Impórtalo
Haz clic en Importar. AstrApp descarga las filas del dataset, detecta el formato solo (ChatML, ShareGPT/Qwen, Alpaca, input/output o prompt/completion) y lo convierte a ChatML. No tienes que mapear columnas.
Revisa el dataset importado
El dataset aparece en tu lista. Ábrelo en la vista previa para revisar los ejemplos ya normalizados antes de entrenar con ellos.
Datasets populares
Algunos de los datasets más usados para hacer fine-tuning de modelos de chat:
| Dataset | Tamaño | Idioma | Descripción |
|---|---|---|---|
tatsu-lab/alpaca | 52K | EN | Instrucciones generales de Stanford |
databricks/databricks-dolly-15k | 15K | EN | Preguntas, respuestas y lluvia de ideas |
OpenAssistant/oasst1 | 161K | Multi | Conversaciones de asistente |
HuggingFaceH4/ultrachat_200k | 200K | EN | Diálogos de varios turnos |
bertin-project/alpaca-spanish | 52K | ES | Alpaca traducido al español |
Formatos soportados
AstrApp detecta cualquiera de estos formatos al importar y lo normaliza a ChatML:
ChatML
Formato de OpenAI con role y content.
Columnas: messages[]
ShareGPT / Qwen
Conversaciones de varios turnos.
Columnas: conversations[] con from/value
Alpaca
Formato de instrucciones.
Columnas: instruction, output, input?
Par simple
Un turno de entrada y su respuesta.
Columnas: input/output o prompt/completion
Disponibilidad y límites
Planes con acceso
Solo el plan Professional puede importar desde Hugging Face. Con Gratuito, Starter y Growth la integración está bloqueada y la API responde con acceso denegado.
Tope por importación
Máximo 5,000 ejemplos por importación. Las filas se descargan en páginas de 100 desde el datasets-server de Hugging Face.
Si el dataset tiene más de 5,000 filas
Consejos para importar
- Busca datasets en español con términos como “spanish”, “es” o “español”.
- Después de importar, revisa la vista previa para comprobar la calidad de los ejemplos.
- Combina datasets de Hugging Face con tus propios datos para obtener mejores resultados.