Hugging Face sur JFrog Artifactory : un guide d'entreprise (et quels changements en juin 2026)

Un guide pratique pour les équipes informatiques, de sécurité et de plate-forme ML exécutant des modèles Hugging Face derrière un proxy JFrog Artifactory — couvrant la migration de la disposition du référentiel hérité → Machine Learning avant juin 2026, pourquoi les environnements proxy atteignent les limites de débit HTTP 429 et quand Hugging Face Enterprise Plus et Model Gateway sont la bonne réponse.

TL;DR — JFrog Artifactory peut proxy Hugging Face Hub pour la mise en cache, l'analyse et la gouvernance, mais il hérite des limites de débit de toute identité Hub que vous configurez sur le référentiel distant, et sa mise en œuvre du protocole Xet est au niveau de la surface et ne bénéficie pas des avantages de la déduplication de Xet — en pratique, elle double presque votre empreinte de stockage. Avant juin 2026, chaque ancien référentiel « Hugging Face » dans Artifactory doit être migré vers la nouvelle disposition du référentiel « Machine Learning ». Pour les entreprises ayant des charges de travail d'IA importantes, Hugging Face Enterprise Plus fournit des limites de débit plus élevées, une identité SSO/SCIM organisationnelle, des journaux d'audit et Model Gateway — un registre de modèles interne natif de Hugging Face qui résout le problème d'autorisation des modèles fermés (Llama, Gemma, Mistral) au niveau de l'organisation et offre un véritable stockage adressé au contenu. L'architecture la plus résiliente associe Artifactory en tant que périmètre d'artefact universel à une organisation Hugging Face Enterprise Plus fournissant l'identité, la gouvernance et la couche de distribution de modèles.

Table des matières

1. Pourquoi ce guide existe
2. Comment Artifactory prend en charge Hugging Face aujourd'hui : types de packages et référentiels
3. Configurationcâlinface_hubetHF_ENDPOINTpour Artefact
4. Pourquoi les environnements proxy atteignent les limites de débit HTTP 429 sur Hugging Face
5. Pourquoi les jetons d'accès personnels ne sont pas la bonne réponse pour Artifactory
6. Comment fonctionne le protocole Xet via Artifactory (et où sont les limites)
7. La migration forcée de juin 2026 vers la disposition du référentiel Machine Learning
8. Pourquoi Hugging Face Enterprise Plus est le niveau idéal pour les environnements proxy
9. Model Gateway : le registre de modèles interne natif de Hugging Face
10. Quand utiliser quoi : Artifactory vs Hugging Face Enterprise Plus
11. Check-list pratique pour les équipes informatiques et de sécurité
12. FAQ

Pourquoi ce guide existe

Si vous êtes une grande entreprise, vos développeurs souhaitent utiliser les modèles ouverts de Hugging Face. Votre équipe de sécurité souhaite que chaque artefact entrant dans l’entreprise passe par un proxy contrôlé, analysé et audité. Pour de nombreuses organisations, la réponse aux deux questions est le même outil : JFrog Artifactory, le référentiel universel d'artefacts qu'elles utilisent déjà pour les images Docker, les packages Python, npm, Maven et le reste de la chaîne d'approvisionnement logicielle.

JFrog a investi de manière significative dans le support de Hugging Face. Vous pouvez proxy des modèles Hugging Face publics, les mettre en cache localement, les numériser avec JFrog Xray et les regrouper dans des artefacts de version avec le reste de votre logiciel. Pour de nombreux cas d’utilisation, cela s’avère véritablement utile.

Mais il existe de réelles limites à ce qu'un gestionnaire d'artefacts en tant que proxy peut faire pour le ML, et ces limites deviennent de plus en plus visibles à mesure que la taille des modèles augmente, que l'adoption de l'IA s'accélère et que la plate-forme Hugging Face elle-même évolue. Ce guide explique comment utiliser JFrog Artifactory avec Hugging Face aujourd'hui, ce qui change en juin 2026 avec la migration forcée vers la nouvelle disposition du référentiel Machine Learning et où Hugging Face Enterprise Plus, y compris la nouvelle passerelle modèle, s'intègre dans l'architecture.

Partie 1 — Comment JFrog Artifactory prend en charge Hugging Face aujourd'hui

Les deux types de packages de référentiel que vous devez comprendre

Lorsqu'un administrateur JFrog crée un référentiel pour le contenu Hugging Face dans Artifactory, il choisit parmi deux familles de types de packages :

L'ancien type de package "Hugging Face". Il s'agit de l'intégration originale, disponible depuis Artifactory 7.77.x (fin 2023). Il reflète la structure Hugging Face Hub (révisions, branches, balises) et fonctionne avec la normecâlinface_hubBibliothèque Python et CLI.

Le nouveau type de package "Machine Learning". Introduit dans Artifactory 7.111.1, il s'agit d'un référentiel ML indépendant du format qui stocke le contenu Hugging Face aux côtés d'autres formats ML (PyTorch, ONNX, .pkl, .joblib, .pth, .cbm). Il est associé au SDK FrogML et constitue la seule mise en page qui prend en charge le protocole Xet, les référentiels virtuels Hugging Face et le flux de travail des ensembles de données en toute fidélité. Depuis Artifactory 7.111.1, tous les référentiels Hugging Face nouvellement créés utilisent par défaut cette nouvelle disposition du référentiel Machine Learning.

Pour chacun, vous pouvez créer trois types de référentiels :

• Local : pour les modèles que votre équipe crée ou peaufine et souhaite héberger en privé.
• Remote - un cache qui fait office de proxyhttps://huggingface.co(la seule URL en amont autorisée).
• Virtuel : un point de terminaison unique qui regroupe plusieurs dépôts locaux et distants. Les référentiels Virtual Hugging Face exigent que tous les membres utilisent la nouvelle présentation Machine Learning, et ils sont résolus uniquement via letéléchargement_instantanéAPI - pas via des appels de bibliothèque commefrom_pretrained().

Configurationcâlinface_hubetHF_ENDPOINTpointer vers Artifactory

Une fois qu'un référentiel Hugging Face existe dans Artifactory, vos data scientists configurent le standardcâlinface_hubclient de pointer vers Artifactory au lieu decâlins.co:

exporter HF_ENDPOINT=https:///artifactory/api/huggingfaceml/exporter HF_TOKEN=

Après cela, codez commeAutoModel.from_pretrained("meta-llama/Llama-3.1-8B")se résout via Artifactory plutôt que directement depuiscâlins.co. JFrog expédie également unjf hfCLI qui enveloppeétreindreface_hub.snapshot_downloadetHfApi.upload_folderavec collection build-info - utile pour la traçabilité du pipeline ML. JFrog documente ouvertement que seulement...
[Courte citation de 8% de l'article original]