原文標題：What's new in the hf CLI and huggingface_hub library

Hugging Face 10 月 26 日由官方團隊整理 hf 命令列工具與 huggingface_hub Python 函式庫近期更新。重點涵蓋共用快取、Jobs、Storage Buckets、Sandboxes，以及下載與上傳流程。對需要頻繁取得模型權重、執行資料處理及部署 AI 代理的開發者，這些改動主要影響磁碟使用量、資料傳輸效率與工作自動化。

共用快取現在可對不同儲存庫中的相同 Xet 檔案只保存一份。例如 FLUX.1-dev、FLUX.1-schnell 與 FLUX.1-Krea-dev 共用的 9.5 GB 文字編碼器，過去可能重複佔用約 28.6 GB，現在可由其他儲存庫連結到同一份快取。使用者也能移除單一 GGUF 量化檔，並透過 hf cache prune 清理不再被任何儲存庫使用的共用資料。

Jobs 新增失敗重試、重新執行、排程調整、對外暴露連接埠與狀態篩選等操作。UV 腳本可在標頭的 tool.hf-jobs 設定中指定容器映像、硬體與秘密參數；命令列選項仍有較高優先權。Webhook 也可監看 Storage Bucket 的變更並啟動預先設定的 Job，透過 HF_TOKEN 等秘密值存取資料。

Storage Buckets 的 Xet 檔案下載可透過 hf_xet 直接傳送到磁碟。官方在 HF Jobs 的測試中，2.15 GB Parquet 檔案下載時間從約兩分鐘降至七秒；搭配 datasets 5.1.0，載入相同資料的示例由約 130 秒降至 17 秒。HfFileSystem 新增 live_follow 選項，可即時看見其他程序寫入的檔案。這些數字屬特定測試環境，實際效能仍取決於網路、檔案與硬體。

實驗性 Sandboxes 可在獨立雲端機器中執行代理產生的程式碼，支援 CPU 或 GPU 與 Docker 映像。Hugging Face 另表示，某一天約三分之一 hf CLI 使用者為 AI 代理，上傳使用者中代理比例超過一半；在 28 項 Hub 任務的測試中，使用 hf-cli skill 的模型成功率與未使用時接近，但所需回合數約少三分之一。

發生了什麼事

Hugging Face 彙整 CLI、Hub 快取、Jobs、Bucket 與 Sandbox 更新，並提供資料傳輸及代理操作測試結果。

為什麼重要

大型模型檔案常在多個儲存庫重複出現；共用快取和自動化工具可降低重複下載與日常操作成本。

影響哪些人

管理模型權重、資料集、訓練任務及 AI 代理工作流程的工程師與研究團隊最受影響。

已確認與未確認

已確認官方示例與測試數據；下載加速並非普遍保證，Sandboxes 仍標示為實驗性，應確認版本與安全配置。