# Caché de Hugging Face en Windows: inspeccionar, limpiar y reubicar Las descargas de Hugging Face pueden llenar una unidad de Windows con varias revisiones de modelos, conjuntos de datos y descargas interrumpidas. Empieza por las herramientas de caché del entorno que las descargó. Borrar una carpeta `blobs` arbitraria puede dañar revisiones que aún comparten esos archivos, mientras que borrar todo `HF_HOME` también puede eliminar el estado de autenticación. ## Encuentra la caché que tu aplicación usa realmente La caché habitual del Hub es `%USERPROFILE%\.cache\huggingface\hub`, pero una aplicación puede usar otra cuenta, otra variable de entorno u otro directorio de caché explícito. La [referencia de variables de entorno](https://huggingface.co/docs/huggingface_hub/package_reference/environment_variables) distingue `HF_HOME`, `HF_HUB_CACHE` y `HF_XET_CACHE`. `HF_HOME` es más amplia que la caché de modelos e incluye el token de autenticación almacenado. Abre el terminal o el entorno de Python que usa la aplicación de IA e inspecciona el comando instalado: ``` hf cache --help hf cache ls hf cache ls --revisions ``` Son comandos de inventario. Si `hf` o un subcomando no está disponible, revisa la versión de `huggingface_hub` en ese entorno y la ruta de actualización compatible de la herramienta. No actualices una instalación global de Python que no tenga relación y des por hecho que cambia el entorno privado de la app. Si el Hub tiene configurada otra caché, pasa la ruta real con `--cache-dir`. Un listado de la ubicación predeterminada no demuestra que la ubicación personalizada más grande esté vacía. ## Verifica el comando y la ruta antes de confiar en el total En PowerShell, estas comprobaciones muestran qué ejecutable se está llamando y las anulaciones de ruta del proceso actual. No muestran el token de autenticación: ```powershell Get-Command hf | Select-Object Source $env:HF_HOME $env:HF_HUB_CACHE $env:HF_XET_CACHE ``` Una línea vacía significa que esa variable no está definida en este proceso de PowerShell. No demuestra que un lanzador de escritorio, un entorno virtual o un servicio no use ninguna anulación. Compara estas lecturas con la aplicación que realizó la descarga, especialmente cuando hay varias instalaciones de Python presentes. Para un ejemplo de caché personalizada, usa su ruta explícita tanto en el inventario como en la vista previa: ```powershell hf cache ls --cache-dir "D:\AI\huggingface\hub" --revisions hf cache rm model/OWNER/REPOSITORY --cache-dir "D:\AI\huggingface\hub" --dry-run ``` Sustituye la ruta y el ID del repositorio por los valores que encuentres en el equipo. Si el comando instalado rechaza una opción, detente y lee su ayuda. No conviertas un fallo de sintaxis en una eliminación manual de carpetas. Una lista de cero entradas en una ruta recién escrita tampoco es prueba de que la caché real esté vacía. ## Entiende por qué varias revisiones pueden costar más en Windows La [explicación de la caché](https://huggingface.co/docs/huggingface_hub/guides/manage-cache) de Hugging Face describe los blobs compartidos y las instantáneas de revisión. En Windows sin compatibilidad con enlaces simbólicos, los archivos pueden guardarse directamente en las instantáneas, así que el mismo archivo puede ocupar espacio más de una vez entre revisiones. El Modo para desarrolladores puede habilitar el comportamiento más eficiente con enlaces simbólicos cuando la política lo permita. Ocultar el aviso de enlaces simbólicos no habilita los enlaces simbólicos ni deduplica de forma retroactiva las descargas antiguas. No ejecutes toda una aplicación de IA como administrador solo para silenciar ese mensaje. Distingue también la caché del Hub de los archivos de modelo copiados en la carpeta propia de una aplicación. Un comando de caché no hace inventario de todos los archivos `.safetensors` o GGUF del equipo. ## Evita contar dos veces los archivos de modelo compartidos La documentación actual de la caché describe el uso compartido no solo entre revisiones, sino también entre repositorios para las descargas de Xet elegibles. El tamaño reportado de un repositorio puede ser lógico, mientras que el tamaño físico de toda la caché cuenta los archivos compartidos una sola vez. Por lo tanto, sumar el tamaño de cada repositorio puede exagerar la cantidad que se recuperaría al eliminarlos. Esto importa cuando dos nombres de modelo parecen igual de grandes. Pueden contener pesos distintos, archivos compartidos o copias separadas, según el método de descarga y el sistema de archivos. Deja que la herramienta de caché compatible calcule un plan de eliminación en lugar de suponer que cada gigabyte listado es independiente. La misma documentación advierte que no todos los clientes antiguos gestionan correctamente el almacén compartido más reciente. Si la caché fue creada por una biblioteca más nueva que la herramienta que vas a usar para la eliminación, comprueba la versión compatible de la aplicación antes de limpiar. Conserva el entorno existente o usa deliberadamente una herramienta compatible y mantenida; no actualices a ciegas las dependencias fijadas de una aplicación. La caché del Hub es solo una ubicación. Los datos de Xet, la salida del procesamiento de conjuntos de datos y los archivos descargados explícitamente en un directorio de modelo local pueden estar en otro lugar. Si la vista previa del Hub solo explica una pequeña parte del uso de disco, identifica esos otros responsables en lugar de hacer más agresiva la eliminación en el Hub. ## Previsualiza la eliminación de un repositorio conocido Detén las descargas, el entrenamiento y la inferencia que usan la caché objetivo. Identifica un repositorio que ya no necesites y confirma que su revisión exacta se puede volver a obtener si la recuperación te importa. El acceso restringido, los archivos eliminados en origen y el uso sin conexión pueden hacer que un modelo nominalmente descargable sea difícil de reemplazar. La [guía de la CLI](https://huggingface.co/docs/huggingface_hub/guides/cli) actual admite una previsualización: ``` hf cache rm model/OWNER/REPOSITORY --dry-run ``` Sustituye `model/OWNER/REPOSITORY` por el ID exacto del listado. Lee las revisiones afectadas y el tamaño. Solo después de esa revisión, ejecuta el mismo comando sin `--dry-run` y responde a su confirmación. Esto es una eliminación, no un movimiento a la Papelera de reciclaje. Para limpiar material de caché no referenciado, previsualiza por separado el plan de la herramienta instalada: ``` hf cache prune --dry-run ``` Una revisión no referenciada aún puede ser necesaria para un script fijado a su commit. Revisa esos proyectos antes de aceptar una purga. No uses un indicador de confirmación general para saltarte esa revisión. ## Contrasta un plan de prune con proyectos reales Una referencia de rama o etiqueta en la caché no es un inventario completo de lo que necesitan tus proyectos. Un script puede indicar un hash de revisión exacto que ya no es la punta de rama en caché. Antes de aceptar un prune, busca en la configuración de los proyectos activos el ID del modelo y la revisión fijada, y guarda una copia de todo lo necesario para el trabajo sin conexión o reproducible. La documentación actual de la CLI también incluye las descargas de `.incomplete` interrumpidas en el comportamiento de prune. Termina o detén la descarga propietaria antes de revisar el plan. Un archivo parcial dejado por una descarga interrumpida es distinto de un archivo que otro proceso en ejecución todavía está escribiendo. Tras una eliminación revisada, vuelve a ejecutar el inventario para la misma ruta de caché explícita y compara el espacio disponible en la misma unidad. Luego ejecuta una pequeña carga de trabajo representativa. Si vuelve a descargar inmediatamente un modelo grande, esa carga de trabajo sigue necesitando los datos eliminados; repetir la limpieza solo cambiará uso de disco por tiempo de descarga. Para un traslado, mantén el estado de autenticación fuera de la operación a menos que reubicarlo sea intencional. Apuntar solo `HF_HUB_CACHE` a otra unidad es más acotado que mover todo `HF_HOME`. Anota el valor anterior antes de cambiarlo, reinicia la aplicación propietaria y comprueba dónde aparece su siguiente descarga real. Si la aplicación sigue usando el directorio antiguo, investiga su ruta de caché explícita antes de eliminar cualquiera de las copias. ## Mueve las descargas futuras sin confundir las ubicaciones Para colocar la caché del Hub en otra unidad, configura `HF_HUB_CACHE` para la aplicación que la posee y reinicia esa aplicación por completo. Los cambios de entorno deben estar presentes antes de que se importe la biblioteca. Un `cache_dir` específico de la app todavía puede apuntar a otro sitio, así que verifica el destino real de la siguiente descarga. Cambiar la variable no mueve los archivos antiguos. Conserva la caché antigua hasta que se haya probado la nueva ubicación y se haya preservado el material local necesario. Si el directorio antiguo sigue siendo grande, revísalo explícitamente con la herramienta de caché y su ruta. Después de la limpieza, prueba una carga de trabajo importante y compara el espacio libre en el mismo volumen. Para el almacén de modelos independiente de Ollama, usa la [guía de migración de Ollama](/es/windows/blog/move-ollama-models-windows). Compartir la marca en torno a la IA no significa que las herramientas compartan una sola caché ni un único comando de eliminación seguro. Canonical: https://mole.fit/es/windows/blog/huggingface-cache-windows