Paramètres

• repo_id (str) — Le nom du dépôt vers lequel vous souhaitez pousser votre modèle. Il doit contenir le nom de votre organisation lors d’une poussée vers une organisation donnée.
• commit_message (str, facultatif) — Message à committer lors de la poussée. La valeur par défaut est "Upload model".
• commit_description (str, facultatif) — La description du commit qui sera créé
• private (bool, facultatif) — Indique s'il faut rendre le dépôt privé. Si None (par défaut), le dépôt sera public sauf si le paramètre par défaut de l'organisation est privé. Cette valeur est ignorée si le dépôt existe déjà.
• token (bool ou str, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True (par défaut), le jeton généré lors de l’exécution de hf auth login (stocké dans ~/.huggingface) sera utilisé.
• revision (str, facultatif) — Branche vers laquelle pousser les fichiers téléversés.
• create_pr (bool, facultatif, par défaut False) — Indique s'il faut créer une PR avec les fichiers téléversés ou effectuer un commit direct.
• max_shard_size (int ou str, facultatif, par défaut "50GB") — Applicable uniquement aux modèles. La taille maximale d'un point de contrôle avant son fractionnement. Les points de contrôle fractionnés auront chacun une taille inférieure à cette valeur. S'il est exprimé sous forme de chaîne, il doit être composé de chiffres suivis d'une unité (comme "5MB").
• tags (list[str], facultatif) — Liste des tags à pousser sur le Hub.

Paramètres

• every_n_layers (int, facultatif, valeur par défaut 1) — Effectue un checkpoint uniquement toutes les every_n_layers couches décodeur, en laissant les autres conserver leurs activations. 1 effectue un checkpoint de chaque couche, ce qui correspond au comportement habituel tout-ou-rien. Des valeurs plus élevées sacrifient la mémoire au profit de la vitesse, ce qui est avantageux lorsque la mémoire libérée par le checkpoint complet reste inutilisée.
• offload (bool, facultatif, par défaut False) — Conserve les activations enregistrées pour le recalcul en mémoire hôte épinglée plutôt que sur l'accélérateur. Cela libère layers x sequence x hidden octets de mémoire de l'appareil, ce qui domine aux longues longueurs de séquence, et impose une copie de l'appareil vers l'hôte dans le calcul avant et une copie de l'hôte vers l'appareil dans le calcul arrière. Les deux copies s'exécutent sur le flux de calcul, ce qui ralentit l'étape.
• activation_checkpointing_kwargs (dict, facultatif) — Arguments de mot-clé supplémentaires transmis à la fonction torch.utils.checkpoint.checkpoint.

Paramètres

• tags (Union[list[str], str]) — Les tags souhaités à injecter dans le modèle

Paramètres

• pretrained_model_name_or_path (str ou os.PathLike, facultatif) — Peut être l'un des éléments suivants :
  • Une chaîne de caractères, l'identifiant du modèle d'un modèle pré-entraîné hébergé dans un dépôt de modèles sur huggingface.co.
  • Chemin vers un répertoire contenant les poids du modèle enregistrés à l’aide de save_pretrained(), par exemple ./my_model_directory/. Les répertoires enregistrés avec save_pretrained(..., distributed_checkpoint=True) sont détectés et chargés avec le checkpointing distribué (DCP), en conservant le maillage et les placements actuels du modèle. Cela nécessite torch>=2.7 et effectue un chargement strict : chaque clé du modèle doit être présente dans le checkpoint.
  • None si vous fournissez à la fois la configuration et le dictionnaire d'état (respectivement avec les arguments par mot-clé config et state_dict).
• model_args (séquence d’arguments positionnels, facultatif) — Tous les arguments positionnels restants seront transmis à la méthode __init__ du modèle sous-jacent.
• config (Union[PreTrainedConfig, str, os.PathLike], facultatif) — Peut être soit :
  • une instance d'une classe dérivée de PreTrainedConfig,
  • une chaîne de caractères ou un chemin valide en tant qu'entrée pour from_pretrained().

  Configuration du modèle à utiliser à la place d'une configuration chargée automatiquement. La configuration peut être chargée automatiquement lorsque :

  • Le modèle est un modèle fourni par la bibliothèque (chargé avec la chaîne model id d'un modèle pré-entraîné).
  • Le modèle a été enregistré à l'aide de save_pretrained() et est rechargé en fournissant le dossier d'enregistrement.
  • Le modèle est chargé en fournissant un répertoire local en tant que pretrained_model_name_or_path et un fichier JSON de configuration nommé config.json est trouvé dans le répertoire.
• state_dict (dict[str, torch.Tensor], facultatif) — Un dictionnaire d'état à utiliser à la place d'un dictionnaire d'état chargé depuis un fichier de poids enregistré. Cette option peut être utilisée si vous souhaitez créer un modèle à partir d'une configuration préentraînée mais charger vos propres poids. Dans ce cas, toutefois, vous devriez vérifier si l'utilisation de save_pretrained() et from_pretrained() n'est pas une option plus simple.

  Cette option peut être utilisée si vous souhaitez créer un modèle à partir d'une configuration préentraînée mais charger vos propres poids. Dans ce cas, toutefois, vous devriez vérifier si l'utilisation de save_pretrained() et de from_pretrained() n'est pas une option plus simple.

• cache_dir (Union[str, os.PathLike], facultatif) — Chemin vers un répertoire dans lequel la configuration d'un modèle pré-entraîné téléchargé doit être mise en cache si le cache standard ne doit pas être utilisé.
• ignore_mismatched_sizes (bool, facultatif, valeur par défaut False) — Indique s'il faut lever une erreur si certaines des poids du checkpoint n'ont pas la même taille que les poids du modèle (par exemple, si vous instanciez un modèle avec 10 étiquettes à partir d'un checkpoint avec 3 étiquettes).
• force_download (bool, facultatif, par défaut False) — Indique s'il faut forcer le (re)téléchargement des poids du modèle et des fichiers de configuration, en ignorant les versions mises en cache si elles existent.
• proxies (dict[str, str], facultatif) — Un dictionnaire de serveurs proxy à utiliser par protocole ou point de terminaison, par exemple {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Les proxys sont utilisés pour chaque requête.
• output_loading_info(bool, facultatif, par défaut False) — Indique s'il faut également retourner un dictionnaire contenant les clés manquantes, les clés inattendues et les messages d'erreur.
• local_files_only(bool, facultatif, valeur par défaut False) — Indique s'il faut uniquement consulter les fichiers locaux (c'est-à-dire ne pas tenter de télécharger le modèle).
• token (str ou bool, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True, ou non spécifié, utilisera le jeton généré lors de l’exécution de hf auth login (stocké dans ~/.huggingface).
• revision (str, facultatif, par défaut "main") — La version spécifique du modèle à utiliser. Il peut s'agir d'un nom de branche, d'un nom de tag ou d'un identifiant de commit, car nous utilisons un système basé sur git pour stocker les modèles et autres artefacts sur huggingface.co, donc revision peut être n'importe quel identifiant autorisé par git.

  Pour tester une pull request que vous avez créée sur le Hub, vous pouvez passer revision="refs/pr/<pr_number>".

• attn_implementation (str, facultatif) — L'implémentation de l'attention à utiliser dans le modèle (le cas échéant). Peut être l'une des valeurs suivantes :
  • "eager" (implémentation manuelle de l'attention)
  • "sdpa" (en utilisant F.scaled_dot_product_attention)
  • "flash_attention_2" (en utilisant Dao-AILab/flash-attention)
  • "flash_attention_3" (en utilisant Dao-AILab/flash-attention/hopper)
  • "flash_attention_4" (en utilisant Dao-AILab/flash-attention/flash_attn/cute). Par défaut, SDPA est utilisé s’il est disponible. Sinon, l’implémentation manuelle "eager" est utilisée par défaut.

  Accepter les références de noyau HF sous la forme :

  /[@][:]
  • et sont des séquences quelconques ne contenant ni « / » ni « : ».
  • « @ » est facultatif (branche, étiquette ou commit-ish), par exemple « @main », « @v1.2.0 », « @abc123 ».
  • ”:” est facultatif et permet de sélectionner une fonction dans le dépôt du noyau.
  • Les deux options peuvent apparaître ensemble et uniquement dans cet ordre : @revision d'abord, puis :kernel_name.
  • Nous autorisons intentionnellement un préfixe initial « | » (par exemple, « flash|… ») car le code le supprime avant le chargement ; le caractère « | » n’est pas exclu dans les classes de caractères ici.

  Exemples correspondants : “org/model” “org/model@main” “org/model:custom_kernel” “org/model@v1.2.3:custom_kernel”

• experts_implementation (str, facultatif) — Implémentation des experts à utiliser dans le modèle (le cas échéant). Peut être l'une des valeurs suivantes :
  • "eager" (implémentation séquentielle des multiplications de matrices des experts).
  • "batched_mm" (en utilisant torch.bmm).
  • "grouped_mm" (en utilisant torch.nn.functional.grouped_mm).

  Par défaut, si le modèle le prend en charge, "grouped_mm" sera utilisé. Sinon, la valeur par défaut est l'implémentation manuelle "eager".

Paramètres pour l'inférence de grands modèles

• dtype (str ou torch.dtype, facultatif, par défaut "auto") — Remplace la valeur par défaut de torch_dtype et charge le modèle avec un dtype. Les différentes options sont les suivantes :

  1. torch.float16 ou torch.bfloat16 ou torch.float : charge dans un dtype spécifié, en ignorant le config.dtype du modèle s’il existe. Si non spécifié

     • le modèle sera chargé en torch.float (fp32).

  2. "auto" - Une entrée dtype ou torch_dtype dans le fichier config.json du modèle sera tentée d’être utilisée. Si cette entrée n’est pas trouvée, on vérifie ensuite le dtype du premier poids du point de contrôle qui est de type à virgule flottante et on l’utilise comme dtype. Cela chargera le modèle en utilisant le dtype dans lequel il a été enregistré à la fin de l’entraînement. Il ne peut pas servir d’indicateur de la façon dont le modèle a été entraîné. Car il aurait pu être entraîné dans l’un des dtypes de demi-précision, mais enregistré en fp32.

  3. Une chaîne de caractères valide pour torch.dtype. Par exemple, « float32 » charge le modèle en torch.float32, « float16 » en torch.float16, etc.

  Pour certains modèles, le dtype dans lequel ils ont été entraînés est inconnu - vous pouvez essayer de consulter le papier du modèle ou contacter les auteurs et leur demander d'ajouter ces informations à la carte du modèle et d'insérer l'entrée dtype ou torch_dtype dans config.json sur le hub.

• device_map (str ou dict[str, Union[int, str, torch.device]] ou int ou torch.device, facultatif) — Une carte qui spécifie où chaque sous-module doit être placé. Il n'est pas nécessaire de la préciser pour chaque nom de paramètre/buffer, dès qu'un nom de module est inclus, tous ses sous-modules seront envoyés sur le même appareil. Si nous ne passons que l'appareil (e.g., "cpu", "cuda:1", "mps", ou un rang ordinal de GPU comme 1) sur lequel le modèle sera alloué, la carte d'appareils mapera l'ensemble du modèle sur cet appareil. Passer device_map = 0 signifie placer le modèle entier sur le GPU 0.

  Pour que Accelerate calcule automatiquement le device_map le plus optimisé, définissez device_map="auto". Pour plus d'informations sur chaque option, consultez concevoir une carte de périphériques.

• max_memory (Dict, facultatif) — Un dictionnaire associant un identifiant d’appareil à la mémoire maximale à utiliser si device_map est employé. Par défaut, la valeur est la mémoire maximale disponible pour chaque GPU et la RAM CPU disponible si non définie.
• distributed_config (DistributedConfig, facultatif) — Configuration pour le chargement distribué natif avec parallélisme de tenseurs ou FSDP2. Passez DistributedConfig(tp_size=N) pour utiliser le plan de parallélisme de tenseurs prédéfini d’un modèle, DistributedConfig(tp_plan=...) pour spécifier un plan de parallélisme de tenseurs, ou DistributedConfig(fsdp_size=N) pour FSDP2. Nécessite torchrun et un groupe de processus initialisé lorsque tp_size > 1 ou fsdp_size > 1. Mutuellement exclusif avec device_map.
• device_mesh (torch.distributed.DeviceMesh, facultatif) — Un mesh de dispositifs torch. S’il n’est pas fourni, la taille du monde est utilisée par défaut. Utilisé uniquement pour le parallélisme de tenseurs pour le moment. S’il est fourni, il doit contenir une dimension nommée "tp" s’il est de dimension supérieure à 1 ; cette dimension sera utilisée pour le parallélisme de tenseurs.
• offload_folder (str ou os.PathLike, facultatif) — Si la device_map contient la valeur "disk", le dossier où les poids seront déchargés.
• offload_buffers (bool, facultatif) — Indique s'il faut décharger les tampons avec les paramètres du modèle.
• quantization_config (Union[QuantizationConfigMixin,Dict], facultatif) — Un dictionnaire de paramètres de configuration ou un objet QuantizationConfigMixin pour la quantification (par exemple bitsandbytes, gptq).
• subfolder (str, facultatif, par défaut "") — Si les fichiers pertinents se trouvent dans un sous-dossier du dépôt de modèle sur huggingface.co, vous pouvez spécifier le nom du dossier ici.
• variant (str, facultatif) — Si spécifié, charge les poids depuis le nom de fichier variant, par ex. pytorch_model..bin.
• use_safetensors (bool, facultatif, valeur par défaut None) — Indique s'il faut ou non utiliser des points de contrôle safetensors. La valeur par défaut est None. Si cette valeur n'est pas spécifiée et que safetensors n'est pas installé, elle est définie sur False.
• weights_only (bool, facultatif, valeur par défaut True) — Indique si le dépickler doit être restreint au chargement de tenseurs, de types primitifs, de dictionnaires et de tout type ajouté via torch.serialization.add_safe_globals(). Lorsqu’il est défini sur False, il est possible de charger les poids des sous-classes de tenseurs enveloppés.
• disable_mmap (bool, facultatif) — Indique s'il faut désactiver le mappage mémoire lors du chargement des points de contrôle safetensors. Lorsque la valeur est None (par défaut), la détection automatique définit la valeur à True si le point de contrôle se trouve sur un système de fichiers FUSE hf-mount (utilisé par HF Spaces/Endpoints), car le mappage mémoire combiné aux défauts de page parallèles peut provoquer un blocage. Lorsque la valeur est True, les fichiers sont entièrement lus en mémoire et analysés avec safetensors.torch.load. Lorsque la valeur est False, le chargeur par défaut basé sur le mappage mémoire est toujours utilisé.
• fusion_config (dict[str, bool | dict[str, Any]], facultatif) — Configuration de fusion facultative appliquée avant l’instanciation du modèle. Chaque clé active une famille de fusion et sa valeur peut être True pour activer cette fusion avec les options par défaut, ou un dictionnaire d’options spécifiques à la famille. Par exemple, {"patch_embeddings": True} active la fusion des embeddings de patch. Cela ne doit être utilisé que comme optimisation d’inférence, car cela peut légèrement modifier les sorties. Si omis, from_pretrained() utilise config.fusion_config en repli lorsque celui-ci est disponible. Consultez le guide de correspondance des fusions dans docs/source/en/fusion_mapping.md pour plus de détails.
• key_mapping (`dict[str, str], facultatif) — Une correspondance potentielle des noms de poids si vous utilisez un modèle sur le Hub qui est compatible avec une architecture Transformers, mais qui n’a pas été converti en conséquence.
• kwargs (dictionnaire restant d'arguments nommés, facultatif) — Peut être utilisé pour mettre à jour l'objet de configuration (après son chargement) et initialiser le modèle (par ex., output_attentions=True). Se comporte différemment selon qu'une config est fournie ou chargée automatiquement :
  • Si une configuration est fournie avec config, **kwargs sera transmis directement à la méthode __init__ du modèle sous-jacent (nous supposons que toutes les mises à jour pertinentes de la configuration ont déjà été effectuées)
  • Si aucune configuration n’est fournie, kwargs est d’abord transmis à la fonction d’initialisation de la classe de configuration (from_pretrained()). Chaque clé de kwargs qui correspond à un attribut de configuration est utilisée pour remplacer ledit attribut par la valeur kwargs fournie. Les clés restantes qui ne correspondent à aucun attribut de configuration sont transmises à la fonction __init__ du modèle sous-jacent.

Paramètres

• return_buffers (bool, facultatif, par défaut True) — Indique s'il faut inclure la taille des tenseurs de tampon dans le calcul de l'empreinte mémoire. Les tampons sont des tenseurs qui ne nécessitent pas de gradients et qui ne sont pas enregistrés en tant que paramètres. Par exemple, la moyenne et l'écart-type dans les couches de normalisation par lot. Voir : https://discuss.pytorch.org/t/what-pytorch-means-by-buffers/120266/2

Paramètres

• auto_class (str ou type, facultatif, par défaut "AutoModel") — La classe auto avec laquelle enregistrer ce nouveau modèle.

Paramètres

• new_num_tokens (int, facultatif) — Le nouveau nombre de jetons dans la matrice d’incorporation. Augmenter la taille ajoute de nouveaux vecteurs initialisés à la fin. Réduire la taille supprime des vecteurs à partir de la fin. S’il n’est pas fourni ou vaut None, renvoie simplement un pointeur vers le module torch.nn.Embedding des jetons d’entrée du modèle sans rien faire.
• pad_to_multiple_of (int, facultatif) — Si défini, la matrice d'incorporation sera rembourdée jusqu'à un multiple de la valeur fournie. Si new_num_tokens est défini sur None , seule l'incorporation sera rembourdée jusqu'à un multiple de pad_to_multiple_of.

  Ceci est particulièrement utile pour permettre l'utilisation des Tensor Cores sur le matériel NVIDIA avec une capacité de calcul >= 7.5 (Volta), ou sur les TPU qui bénéficient d'avoir des longueurs de séquence qui sont un multiple de 128. Pour plus de détails à ce sujet, ou pour de l'aide sur le choix de la valeur correcte pour le redimensionnement, consultez ce guide : https://docs.nvidia.com/deeplearning/performance/dl-performance-matrix-multiplication/index.html#requirements-tc

• mean_resizing (bool) — Indique s'il faut initialiser les embeddings ajoutés à partir d'une distribution normale multivariée ayant la moyenne et la covariance des anciens embeddings, ou s'il faut les initialiser avec une distribution normale ayant une moyenne nulle et un écart-type égal à config.initializer_range.

  Définir mean_resizing sur True est utile lors de l’augmentation de la taille des embeddings des modèles de langage causaux, car les probabilités des jetons générés ne seront pas affectées par les embeddings ajoutés, puisque l’initialisation des nouveaux embeddings avec la moyenne des anciens embeddings réduira la divergence de KL entre la probabilité du jeton suivant avant et après l’ajout des nouveaux embeddings. Consultez cet article pour plus d’informations : https://nlp.stanford.edu/~johnhew/vocab-expansion.html

Paramètres

• save_directory (str ou os.PathLike) — Répertoire de destination. Sera créé s'il n'existe pas.
• is_main_process (bool, facultatif, par défaut True) — Indique si le processus qui appelle cette fonction est le processus principal ou non. Utile lors d'un entraînement distribué, par exemple sur des TPU, où il est nécessaire d'appeler cette fonction sur tous les processus. Dans ce cas, définissez is_main_process=True uniquement sur le processus principal afin d'éviter les conditions de course.
• state_dict (dictionnaire imbriqué de torch.Tensor) — Le dictionnaire d'état du modèle à enregistrer. Par défaut, il vaut self.state_dict(), mais il peut être utilisé pour n'enregistrer que certaines parties du modèle ou si des précautions particulières doivent être prises lors de la récupération du dictionnaire d'état d'un modèle (comme lors de l'utilisation du parallélisme de modèle).
• push_to_hub (bool, facultatif, par défaut False) — Indique s'il faut ou non pousser votre modèle sur le hub de modèles Hugging Face après l'avoir enregistré. Vous pouvez spécifier le dépôt auquel vous souhaitez pousser avec repo_id (par défaut, il s'agit du nom de save_directory dans votre espace de noms).
• max_shard_size (int ou str, facultatif, défaut : "50GB") — Taille maximale d'un checkpoint avant son fractionnement. Les shards du checkpoint auront chacun une taille inférieure à cette valeur. S'il est exprimé sous forme de chaîne, il doit être composé de chiffres suivis d'une unité (comme "5MB").

  Si un seul poids du modèle est plus grand que max_shard_size, il sera placé dans sa propre partition de point de contrôle, qui sera plus grande que max_shard_size.

• variant (str, facultatif) — Si spécifié, les poids sont enregistrés au format model..safetensors.
• token (str ou bool, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True, ou non spécifié, utilisera le jeton généré lors de l’exécution de hf auth login (stocké dans ~/.huggingface).
• save_peft_format (bool, facultatif, valeur par défaut True) — Pour la compatibilité ascendante avec la bibliothèque PEFT, si des poids d’adaptateurs sont attachés au modèle, toutes les clés du dictionnaire d’état des adaptateurs doivent être préfixées par base_model.model. Les utilisateurs avancés peuvent désactiver ce comportement en définissant save_peft_format sur False.
• save_original_format (bool, facultatif, valeur par défaut True) — Pour la compatibilité ascendante avec les versions précédentes de transformers, vous pouvez enregistrer le point de contrôle avec sa correspondance inverse. La correspondance inverse doit exister même si le modèle a été chargé à partir d'un point de contrôle legacy None.
• distributed_checkpoint (bool, facultatif, valeur par défaut False) — Lors de l’enregistrement d’un modèle sharded FSDP ou TP, écrit les safetensors avec le checkpointing distribué (DCP) au lieu de rassembler d’abord les poids sur le CPU. Chaque rang doit appeler cette méthode. Si False, les poids sont rassemblés sur le CPU sur le rang 0 via gather_full_state_dict avant l’écriture. Cette option est destinée uniquement à l’enregistrement et à la reprise de l’entraînement ; définissez-la sur False si vous souhaitez bénéficier de toutes les fonctionnalités de save_pretrained. Avec push_to_hub=True, le rang 0 consolide le checkpoint dans un sous-répertoire consolidated/ et téléverse ce répertoire. Nécessite torch>=2.7.
• kwargs (dict[str, Any], facultatif) — Arguments supplémentaires passés à la méthode push_to_hub().

Paramètres

• attn_implementation (str ou dict) — L’implémentation de l’attention à définir pour ce modèle. Elle peut être soit une str, auquel cas elle sera distribuée à tous les sous-modèles si pertinent, soit un dict dont les clés sont les noms des sub_configs, auquel cas chaque sous-modèle distribuera la valeur correspondante (à lui-même et à tous les sous-modèles imbriqués en son sein). Une valeur peut elle-même être un dict au même format, pour cibler les sub_configs de ce sous-modèle (comme lors de l’initialisation d’un config avec un dict attn_implementation imbriqué).
• allow_all_kernels (bool, optionnel) — Indique s'il faut charger des kernels depuis des dépôts hub non vérifiés, si attn_implementation est un kernel personnalisé en dehors du dépôt hub kernels-community.

Paramètres

• experts_implementation (str ou dict) — L’implémentation des experts à définir pour ce modèle. Elle peut être soit une str, auquel cas elle sera distribuée à tous les sous-modèles si pertinent, soit un dict dont les clés sont les noms des sub_configs, auquel cas chaque sous-modèle distribuera la valeur correspondante.

Paramètres

• use_kernels (bool) — Indique s'il faut utiliser la bibliothèque kernels pour kerneliser certaines couches du modèle.
• kernel_config (KernelConfig, facultatif) — La configuration du noyau à utiliser pour kerneliser le modèle. Si None, la correspondance de noyaux par défaut sera utilisée.
• mode (Mode, facultatif) — Le mode à appliquer lors de kernelize. Facultatif, par défaut il est défini sur le mode d’entraînement ou d’inférence en fonction du drapeau interne training.

Paramètres

• only_trainable (bool, facultatif, par défaut False) — Indique s'il faut renvoyer uniquement le nombre de paramètres entraînables
• exclude_embeddings (bool, facultatif, par défaut False) — Indique s'il faut renvoyer uniquement le nombre de paramètres non liés aux embeddings

Paramètres

• repo_id (str) — Le nom du dépôt vers lequel vous souhaitez pousser votre {object}. Il doit contenir le nom de votre organisation lors d’une poussée vers une organisation donnée.
• commit_message (str, facultatif) — Message à committer lors de la poussée. La valeur par défaut est "Upload {object}".
• commit_description (str, facultatif) — La description du commit qui sera créé
• private (bool, facultatif) — Indique s'il faut rendre le dépôt privé. Si None (par défaut), le dépôt sera public sauf si le paramètre par défaut de l'organisation est privé. Cette valeur est ignorée si le dépôt existe déjà.
• token (bool ou str, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True (par défaut), le jeton généré lors de l’exécution de hf auth login (stocké dans ~/.huggingface) sera utilisé.
• revision (str, facultatif) — Branche vers laquelle pousser les fichiers téléversés.
• create_pr (bool, facultatif, par défaut False) — Indique s'il faut créer une PR avec les fichiers téléversés ou effectuer un commit direct.
• max_shard_size (int ou str, facultatif, par défaut "50GB") — Applicable uniquement aux modèles. La taille maximale d'un point de contrôle avant son fractionnement. Les points de contrôle fractionnés auront chacun une taille inférieure à cette valeur. S'il est exprimé sous forme de chaîne, il doit être composé de chiffres suivis d'une unité (comme "5MB").
• tags (list[str], facultatif) — Liste des tags à pousser sur le Hub.