Hub documentation

Kelola Tugas

Hub

API docs

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Kelola Tugas

Daftarkan Tugas

Temukan daftar Jobs Anda di halaman Jobs atau halaman Jobs organisasi Anda (halaman user/organization > settings > Jobs):

Fitur ini juga tersedia di Hugging Face CLI. Tampilkan daftar Jobs yang sedang berjalan dengan hf jobs ps dan gunakan -a untuk menampilkan semua Jobs:

>>> hf jobs ps
JOB ID       IMAGE/SPACE      COMMAND     CREATED             STATUS  
------------ ---------------- ----------- ------------------- ------- 
69402ea6c... ghcr.io/astra... uv run p... 2025-12-15 15:52:06 RUNNING
>>> hf jobs ps -a
JOB ID       IMAGE/SPACE COMMAND         CREATED             STATUS    
------------ ---------- --------------- ------------------- --------- 
69402ea6c... ghcr.io... uv run pytho... 2025-12-15 15:52:06 RUNNING   
693b06b8c... ghcr.io... uv run pytho... 2025-12-11 18:00:24 CANCELED  
693b069fc... ghcr.io... uv run pytho... 2025-12-11 17:59:59 ERROR     
693aef401... ghcr.io... uv run pytho... 2025-12-11 16:20:16 COMPLETED 
693aee76c... ubuntu     echo Hello f... 2025-12-11 16:16:54 COMPLETED 
693ae8e3c... python:... python -c pr... 2025-12-11 15:53:07 COMPLETED

Tentukan namespace organisasi Anda untuk menampilkan daftar Jobs di bawah organisasi Anda:

>>> hf jobs ps --namespace <my-org-name>

Filter Pekerjaan

Label yang paling sering Anda gunakan ditampilkan di atas daftar Jobs beserta jumlah Jobs yang menggunakan masing-masing label; klik salah satu untuk memfilter berdasarkan label tersebut, atau ketik label key=value apa pun:

Di CLI, saring berdasarkan status dengan --status dan berdasarkan label dengan --label key=value. Ulangi --label untuk meminta beberapa label sekaligus:

# Jobs that ended in error
>>> hf jobs ps --status error

# Running or scheduling Jobs with a given label
>>> hf jobs ps --status running,scheduling --label env=prod

# All Jobs (any status) that have both labels
>>> hf jobs ps -a --label model=Qwen3-06B --label dataset=Capybara

# A label added without a value (`--label fine-tuning`) is matched with a trailing "="
>>> hf jobs ps -a --label fine-tuning=

Filter berdasarkan nama dengan --name, jalan pintas untuk --label name=<name>, misalnya untuk mendaftar setiap run dari Job bernama:

>>> hf jobs ps -a --name daily-report
JOB_ID      NAME         IMAGE/SPACE COMMAND      CREATED      STATUS    RUNTIME
----------- ------------ ----------- ------------ ------------ --------- -------
6a9042c2... daily-report python:3.12 python -c... 2026-08-2... COMPLETED 0s     
6a904162... daily-report python:3.12 python -c... 2026-08-2... CANCELED  --

Secara default, hf jobs ps menampilkan Job yang sedang berjalan dan dijadwalkan. Gunakan -a untuk menampilkan semua status; -a tidak dapat digabungkan dengan --status.

Pantau penggunaan sumber daya

Gunakan hf jobs stats untuk mendapatkan gambaran penggunaan CPU, memori, jaringan, dan GPU (jika ada) dari Jobs yang sedang berjalan:

>>> hf jobs stats
JOB ID                   CPU % NUM CPU MEM % MEM USAGE        NET I/O         GPU UTIL % GPU MEM % GPU MEM USAGE   
------------------------ ----- ------- ----- ---------------- --------------- ---------- --------- --------------- 
695e83c5d2f3efac77e8cf18 8%    12.0    7.18% 10.9GB / 152.5GB 0.0bps / 0.0bps 100%       31.92%    25.9GB / 81.2GB

Tentukan satu atau beberapa ID Job untuk hanya menampilkan statistik dari Job tertentu:

>>> hf jobs stats [job-ids]...

Gunakan -f untuk mengikuti statistik secara langsung hingga Jobs selesai:

>>> hf jobs stats -f [job-ids]...

Periksa Job

Anda dapat melihat log status Job di halaman Job:

Atau menggunakan CLI

>>> hf jobs inspect 693994e21a39f67af5a41ad0 
[
    {
        "id": "693994e21a39f67af5a41ad0",
        "created_at": "2025-12-10 15:42:26.835000+00:00",
        "docker_image": "ghcr.io/astral-sh/uv:python3.12-bookworm",
        "space_id": null,
        "command": ["bash", "-c", "python -c \"import urllib.request; import os; from pathlib import Path; o = urllib.request.build_opener(); o.addheaders = [(\\\"Authorization\\\", \\\"Bearer \\\" + os.environ[\\\"UV_SCRIPT_HF_TOKEN\\\"])]; Path(\\\"/tmp/script.py\\\").write_bytes(o.open(os.environ[\\\"UV_SCRIPT_URL\\\"]).read())\" && uv run --with trl /tmp/script.py"],
        "arguments": [],
        "environment": {"UV_SCRIPT_URL": "https://huggingface.co/datasets/lhoestq/hf-cli-jobs-uv-run-scripts/resolve/728cc5682eb402d7ffe66a2f6f97645b34cb08dd/train.py"},
        "secrets": ["HF_TOKEN", "UV_SCRIPT_HF_TOKEN"],
        "flavor": "a100-large",
        "status": {"stage": "COMPLETED", "message": null},
        "owner": {"id": "5e9ecfc04957053f60648a3e", "name": "lhoestq", "type": "user"},
        "endpoint": "https://huggingface.co",
        "url": "https://huggingface.co/jobs/lhoestq/693994e21a39f67af5a41ad0"
    }
]

dan untuk log

>>> hf jobs logs 693994e21a39f67af5a41ad0
Downloading nvidia-cuda-nvrtc-cu12 (84.0MiB)
Downloading numpy (15.8MiB)
Downloading nvidia-cuda-cupti-cu12 (9.8MiB)
Downloading tokenizers (3.1MiB)
Downloading nvidia-cusolver-cu12 (255.1MiB)
Downloading nvidia-cufft-cu12 (184.2MiB)
Downloading transformers (11.4MiB)
Downloading setuptools (1.1MiB)
...

Tentukan namespace organisasi Anda untuk memeriksa Job di bawah organisasi Anda:

hf jobs inspect --namespace <my-org-name> <job_id>
hf jobs logs --namespace <my-org-name> <job_id>

Tunggu hingga Jobs selesai

Gunakan hf jobs wait untuk memblokir hingga satu atau lebih Job mencapai status terminal (COMPLETED, CANCELED, ERROR atau DELETED). Perintah ini keluar dengan kode 0 hanya jika semua Job berhasil diselesaikan, dan kode non-nol jika tidak — berguna untuk merangkai langkah dalam shell script atau CI:

# Wait for a single Job
>>> hf jobs wait 693994e21a39f67af5a41ad0

# Wait for several Jobs at once (all must be in the same namespace)
>>> hf jobs wait <job_id_1> <job_id_2>

# Wait for every currently running Job
>>> hf jobs ps -q | xargs hf jobs wait

Atur batas waktu tunggu maksimum dengan --timeout (menerima s, m, h atau d):

>>> hf jobs wait --timeout 30m 693994e21a39f67af5a41ad0

Karena hf jobs wait mengembalikan kode keluar non-nol ketika Job gagal, Anda dapat merangkainya dengan &&. hf jobs run yang tidak terdetas (atau hf jobs uv run) sudah memblokir dan keluar dengan kode non-nol saat gagal, sehingga wait eksplisit hanya diperlukan untuk Job terdetas (-d) atau saat menunggu pada batch:

>>> hf jobs wait 693994e21a39f67af5a41ad0 && echo "job completed successfully"

Simpan hasil Anda

Sistem berkas sebuah Job dihapus ketika Job berakhir. Tulis apa pun yang ingin Anda simpan di lokasi yang tahan lama sebelum Job keluar:

Artefak antara, checkpoint, dan log → volume Storage Bucket. Mount bucket dan tulis output di bawah jalur mount — lihat Volumes untuk contoh. Mount volume diotorisasi dengan identitas Hugging Face Anda saat Job dibuat, sehingga skrip Anda tidak memerlukan token untuk menulis ke dalamnya.
Model dan dataset final → push ke repo Hub. Job tidak memiliki token Hugging Face kecuali Anda meneruskannya, misalnya --secrets HF_TOKEN (bentuk polos akan otomatis teresolusi ke token akun yang sedang login). Jika skrip Anda memanggil push_to_hub() atau create_repo(), pastikan token memiliki akses tulis (token fine-grained memerlukan izin tulis dan buat repo). Mode kegagalan yang umum adalah Job yang menyelesaikan hitungan berjam-jam lalu error pada upload final karena token tidak dapat menulis — komputasinya sudah selesai, tetapi hasilnya tidak tersimpan.
Cetak hasil utama ke log. Log Job disimpan setelah Job berakhir dan dapat diambil kapan saja dengan hf jobs logs <job-id>. Mencetak metrik akhir ke stdout menjadikannya dapat dipulihkan bahkan jika langkah unggah gagal.

Setelah Job selesai, periksa bahwa output Anda benar-benar tersimpan (misalnya dengan hf buckets list) — status COMPLETED berarti perintah keluar dengan sukses, bukan bahwa file telah dipersist di tempat yang Anda harapkan.

Debug Tugas

Jika sebuah Job memiliki error, Anda dapat melihatnya di halaman Job

Lihat pesan status dan log di halaman Job untuk melihat apa yang salah.

Anda juga dapat melihat baris terakhir log untuk mengetahui apa yang terjadi sebelum Job gagal. Anda dapat melihatnya di halaman Job, atau menggunakan CLI:

>>> hf jobs logs 69405cf51a39f67af5a41f29 | tail -n 10     
 Downloaded nvidia-cudnn-cu12
 Downloaded torch
Installed 66 packages in 226ms
Generating train split: 100%|██████████| 15806/15806 [00:00<00:00, 73330.17 examples/s]
Generating test split: 100%|██████████| 200/200 [00:00<00:00, 45427.32 examples/s]
Traceback (most recent call last):
  File "/tmp/script.py", line 7, in <module>
    train_dataset=train_dataset,
                  ^^^^^^^^^^^^^
NameError: name 'train_dataset' is not defined. Did you mean: 'load_dataset'?

Debug Job secara lokal menggunakan setup UV atau Docker lokal Anda:

hf jobs uv run ... -> uv run ...
hf jobs run ... -> docker run ...

Pesan status dapat menyatakan “Job timeout”: ini berarti Job tidak selesai dalam waktu sebelum batas waktu habis (defaultnya 30 menit) dan karenanya dihentikan. Dalam kasus ini, Anda perlu menentukan batas waktu yang lebih tinggi, menggunakan --timeout di CLI, misalnya

hf jobs uv run --timeout 3h ...

Jalankan Ulang Tugas

Gunakan hf jobs rerun untuk memulai Job baru dengan konfigurasi yang tersimpan dari Job yang sudah ada, termasuk secrets dan hardware flavor-nya:

>>> hf jobs rerun <job_id>

Job baru memiliki ID-nya sendiri. Di Python, gunakan rerun_job.

Batalkan Tugas

Gunakan tombol “Cancel” di halaman Job untuk membatalkan Job:

atau di CLI:

hf jobs cancel 693b06b8c67c9f186cfe239e

Tentukan namespace organisasi Anda untuk membatalkan Job di bawah organisasi Anda:

hf jobs cancel --namespace <my-org-name> <job_id>

Bilah menu MacOS

Temukan daftar Jobs Anda di klien MacOS hfjobs-menubar:

Dapatkan informasi Jobs, dan pantau log serta statistik penggunaan sumber daya:

Update on GitHub

←Harga dan Penagihan Konfigurasi→