„The AI community building the future.“
Hugging Face ist kein einzelner proprietärer LLM-Anbieter, sondern eine Plattform für das Hosten, Entdecken, Verteilen, Evaluieren und Bereitstellen von KI- und LLM-Modellen. Der Model Hub dient zur Speicherung, Discovery und Nutzung von Modell-Checkpoints; LLMs können über Inference Providers, Inference Endpoints oder lokal über Bibliotheken wie Transformers genutzt werden.
Hugging Face
LLM „The AI community building the future.“
Standort: Frankreich ⓘ Hugging Face, Inc.: USA / Delaware Corporation; EU-Hauptniederlassung: Hugging Face SAS, 9 rue des Colonnes, 75002 Paris, France.
Team & Enterprise Für Organisationen gibt es Team und Enterprise. Diese Pläne enthalten ebenfalls Inference-Provider-Vorteile bzw. Credits pro Seat und ermöglichen zentrale Abrechnung, Limits und Verwaltung. Laut Hugging Face erhalten Team-/Enterprise-Organisationen aktuell $2.00 pro Seat an monatlichen Credits. Sonstiges Pay-as-you-go Wenn deine Credits verbraucht sind, kannst du weiter API-Anfragen stellen, indem du zusätzliche Credits kaufst bzw. nutzungsbasiert zahlst. Die Kosten hängen vom konkreten Modell, Provider und Verbrauch ab.
Eigener Provider-Key Du kannst teilweise auch eigene API-Keys externer Provider verwenden. Dann läuft die Abrechnung nicht über Hugging Face, sondern direkt über den jeweiligen Provider; Hugging Face berechnet diesen Call laut Doku nicht.
Zielgruppe
Hugging Face richtet sich als LLM-Anbieter vor allem an Entwickler, Data Scientists, KI-Teams, Startups, Forschungseinrichtungen, Agenturen und Unternehmen, die offene oder kommerziell nutzbare Sprachmodelle evaluieren, hosten, feinjustieren oder produktiv bereitstellen wollen. Besonders relevant ist die Plattform für Teams, die nicht nur ein einzelnes Chatbot-Produkt suchen, sondern Zugriff auf viele LLMs, Embedding-Modelle, multimodale Modelle, Modellversionierung, APIs und Deployment-Optionen benötigen. Für nicht-technische Anwender ist Hugging Face weniger komfortabel als klassische Chatbot-SaaS-Lösungen, bietet dafür aber deutlich mehr Flexibilität und Kontrolle.
Herausragende Funktionen
Herausragend ist die Kombination aus Model Hub, Inference Providers, Inference Endpoints und Open-Source-Ökosystem. Der Model Hub ermöglicht das Hosten, Teilen und Nutzen von Modell-Checkpoints; Inference Providers bieten eine einheitliche API über mehrere Anbieter hinweg; Inference Endpoints erlauben dedizierte produktive Deployments mit Autoscaling, Observability und Unterstützung für Inference Engines wie vLLM, TGI, SGLang, TEI oder Custom Container. Für Unternehmen kommen SSO, RBAC, Audit Logs, Resource Groups, Storage Regions und Netzwerk-Kontrollen hinzu.
Wichtigste Anwendungsfelder
Typische Anwendungsfelder sind Chatbots, RAG-Systeme, interne Wissenssuche, Code-Assistenten, Textgenerierung, Übersetzung, Zusammenfassung, Klassifikation, Embeddings, Dokumentenanalyse, Modelltests, Fine-Tuning, Evaluation und produktive API-Bereitstellung. Für LLM-Teams ist Hugging Face besonders interessant, wenn mehrere Modelle verglichen, offene Modelle lokal getestet oder produktive Endpoints mit bestimmbarer Infrastruktur betrieben werden sollen. Über Inference Providers können Teams zudem zwischen verschiedenen Inference-Anbietern wechseln oder automatische Provider-Auswahl nutzen.
Nutzung & Hinweise
Die Nutzung erfolgt über Weboberfläche, Model Cards, Python-/JavaScript-SDKs, Git-basierte Repositories, HTTP APIs, OpenAI-kompatible Endpoints oder dedizierte Inference Endpoints. Wichtig ist, jedes Modell einzeln auf Lizenz, Trainingsdatenhinweise, Modellkarte, Sicherheitsrisiken, kommerzielle Nutzbarkeit und Datenschutzfolgen zu prüfen. Bei Inference Providers gehen Requests über Hugging Face an externe Anbieter; deren Policies müssen zusätzlich geprüft werden. Für sensible Unternehmensdaten sind Enterprise-Funktionen, EU-Storage-Region, DPA/AVV, private Repositories, PrivateLink und klare Provider-Auswahl zentrale Voraussetzungen.
| Zielgruppe | Einschätzung |
|---|---|
| Privatpersonen | Bedingt – als reiner LLM-Zugang eher technisch; sinnvoll zum Experimentieren mit offenen Modellen und API-/Playground-Nutzung, weniger als einfacher ChatGPT-Ersatz. |
| Selbstständige / Freelancer | Bedingt bis ja – geeignet für technisch versierte Nutzer, die LLMs flexibel testen, in Workflows integrieren oder verschiedene Anbieter über eine API vergleichen möchten. |
| KMU | Ja, bei technischem Know-how – interessant für Unternehmen, die LLM-Anwendungen bauen und nicht an einen einzelnen Modellanbieter gebunden sein möchten. |
| Großunternehmen | Ja – besonders relevant mit Team-/Enterprise-Funktionen, Storage Regions, Audit Logs, SSO, SCIM, Resource Groups, höheren Limits und Enterprise-DPA. (Hugging Face) |
| Entwickler / Produktteams | Sehr gut geeignet – Kernzielgruppe für LLM-APIs, Inference Providers, OpenAI-kompatible Endpunkte, Function Calling, Structured Outputs und Modellwechsel über eine zentrale API. (Hugging Face) |
| Datenschutzkritische Organisationen | Bedingt – nur mit Enterprise-/Team-Setup, DPA, Anbieterprüfung, EU-Storage bzw. dedizierten Endpoints sinnvoll; bei Inference Providers hängt die Datenverarbeitung zusätzlich vom jeweiligen Drittanbieter ab. (Hugging Face) |
| Nicht-technische Fachabteilungen | Eher nein – Hugging Face ist als LLM-Anbieter primär API-, Infrastruktur- und Entwicklerplattform, nicht vorrangig ein fertiger KI-Assistent für Endnutzer. |
Eigene Sprachmodelle von Hugging Face
| Modellfamilie | Anbieter / Team | Beschreibung |
|---|---|---|
| SmolLM | Hugging Face / HuggingFaceTB | Kleine offene Sprachmodelle, ursprünglich u. a. mit 135M, 360M und 1.7B Parametern. Ziel: sehr kompakte LLMs für effiziente Nutzung. (Hugging Face) |
| SmolLM2 | HuggingFaceTB | Kompakte Sprachmodellfamilie mit 135M, 360M und 1.7B Parametern; für viele Aufgaben geeignet und leichtgewichtig genug für On-Device-Szenarien. (Hugging Face) |
| SmolLM3 | HuggingFaceTB | 3B-Parameter-Sprachmodell mit Instruct-/Reasoning-Variante, 6 Sprachen und Long-Context-Unterstützung. Laut Model Card unterstützt es Englisch, Französisch, Spanisch, Deutsch, Italienisch und Portugiesisch. (Hugging Face) |
| Zephyr | HuggingFaceH4 | Ältere Chat-/Alignment-Modellreihe, z. B. Zephyr-7B, auf Basis anderer Modelle wie Mistral oder Gemma feinabgestimmt. (Hugging Face) |
| SmolVLM | Hugging Face / HuggingFaceTB | Kein reines LLM, sondern ein kleines Vision-Language-Model für Bild-Text-Aufgaben. (Hugging Face) |
Modelle von Drittanbietern auf Hugging Face
Hugging Face bietet zusätzlich Zugriff auf sehr viele LLMs und generative Modelle von externen Anbietern bzw. Organisationen. Die Liste ändert sich laufend. Auf der Modellseite erscheinen unter anderem Modelle bzw. Modellfamilien aus folgenden Bereichen:
| Anbieter / Organisation | Beispiele auf Hugging Face | Einschätzung |
|---|---|---|
| Meta | Llama-Modelle, z. B. Meta Llama 3 | Sehr relevante Open-Weight-LLM-Familie. Meta beschreibt Llama 3 als Familie vortrainierter und instruction-tuned generativer Textmodelle. (Hugging Face) |
| Mistral AI | Mistral-Modelle, z. B. Mistral Medium / Mistral-Varianten | Relevante europäische LLM-Familie; Hugging Face listet Mistral-Modelle im Model Hub. (Hugging Face) |
| DeepSeek | DeepSeek-Modelle | Große Textgenerierungsmodelle; im Model Hub als Text-Generation-Modelle gelistet. (Hugging Face) |
| Qwen / Alibaba | Qwen-Modelle | Sprach- und multimodale Modelle; im Model Hub sichtbar u. a. unter Image-Text-to-Text und Text Generation. (Hugging Face) |
| Gemma-Modelle | Open-Weight-Modellfamilie von Google; im Hugging-Face-Hub gelistet. (Hugging Face) | |
| IBM | Granite-Modelle | Enterprise-orientierte Modellfamilie; im Hub u. a. als Text-Generation- und Embedding-Modelle gelistet. (Hugging Face) |
| NVIDIA | Nemotron-Modelle | Modelle für Reasoning, Multimodalität und Enterprise-KI-Anwendungen; im Hub gelistet. (Hugging Face) |
Hosting & Daten
1) On-Prem / lokales Hosting
Bedeutung: Die Firma betreibt die Lösung auf eigener Hardware oder in der eigenen Infrastruktur. Im strengsten Sinn läuft dabei nicht nur die Anwendung, sondern idealerweise auch das Modell lokal.
2) Private Cloud / RZ
Bedeutung: Die Lösung läuft in einer dedizierten oder stärker abgegrenzten Cloud-Umgebung, oft bei einem Hosting-Anbieter oder Hyperscaler, aber in einem deutschen Rechenzentrum oder in einer besonders kontrollierten Umgebung.
3) EU-SaaS / Managed
Bedeutung: Der Anbieter betreibt die Lösung selbst als Dienst. Die Firma nutzt das Tool als fertigen Cloud-Service, idealerweise mit EU-Datenresidenz.
4) Hybrid
Bedeutung: Ein Teil der Verarbeitung bleibt intern / lokal / in privater Cloud, ein anderer Teil läuft in einer externen Cloud oder EU-SaaS.
5) AVV / DPA
Bedeutung: Das ist der Auftragsverarbeitungsvertrag bzw. Data Processing Addendum.
Er regelt, dass der Anbieter personenbezogene Daten im Auftrag verarbeitet und an die Weisungen des Kunden gebunden ist.
6) Kein Training
Bedeutung: Der Anbieter nutzt deine Prompts, Uploads, Anhänge, Chatverläufe oder Outputs nicht zum Training oder zur Verbesserung des allgemeinen Modells — idealerweise vertraglich ausgeschlossen.
7) Open-Source-/Transparenz-Pfad
Bedeutung: Es gibt einen Weg zu mehr technischer Transparenz und Souveränität, etwa durch:
- offene Modelle
- dokumentierte Komponenten
- self-hostbare Teile
- nachvollziehbare Architektur
- Export-/Wechselmöglichkeiten
| On-prem / local hosting | ⚠️ |
| Private cloud / data center | ⚠️ |
| EU SaaS / Managed | ✅ |
| Hybrid | ⚠️ |
| DPA / AVV | ✅ |
| No training on customer data | ⚠️ |
| Open source / transparency path | ✅ |
On-Prem / lokales Hosting: teilweise
Hugging Face ist auch über Open-Source-Bibliotheken wie Transformers, Datasets und Tokenizers nutzbar. Das eröffnet einen lokalen oder selbst betriebenen Pfad, aber eine ausdrückliche On-Premise-Produktseite mit vollständiger Firmenlösung auf eigener Hardware wurde auf den gefundenen Seiten nicht konkret angegeben.
Private Cloud / RZ: teilweise
Inference Endpoints werden als dedizierte, sichere Infrastruktur beschrieben; außerdem wird AWS PrivateLink für private Anbindung empfohlen. Das spricht für abgegrenzte bzw. kontrollierte Umgebungen, aber eine explizite allgemeine Private-Cloud-Beschreibung für das Gesamtangebot wurde auf den gefundenen Seiten nicht vollständig ausgeführt.
EU-SaaS / Managed: abgedeckt
Für Team- und Enterprise-Organisationen sind EU-Storage-Regions dokumentiert. Die Website sagt ausdrücklich, dass EU-Unternehmen den Hub DSGVO-konform nutzen können, wenn Datensätze, Modelle und Inference Endpoints in EU-Rechenzentren gespeichert werden. Ohne Team/Enterprise liegen Repositories jedoch standardmäßig in den USA.
Hybrid: teilweise
Die Website zeigt einen Mischpfad: offene Bibliotheken für lokale Nutzung plus Hub, Endpoints und Storage als gemanagte Dienste. Zusätzlich nennt die Storage-Seite die Nutzung mit eigenem Cluster. Eine formale Hybrid-Produktbeschreibung wird aber nicht ausdrücklich so bezeichnet.
AVV / DPA: abgedeckt
Ein GDPR Data Processing Agreement wird auf der Website ausdrücklich genannt, allerdings über Enterprise beziehungsweise Enterprise Hub.
Kein Training: teilweise
Für Inference Provider Routing steht ausdrücklich, dass keine Nutzerdaten für Trainingszwecke gespeichert werden. Für Inference Endpoints steht, dass Payloads und Tokens nicht gespeichert werden und nur Logs 30 Tage aufbewahrt werden. Ein plattformweiter, allgemeiner Opt-out aus KI-Training für alle Hub-Dienste wurde auf den gefundenen Seiten jedoch nicht eindeutig angegeben.
Open-Source / Transparenz-Pfad: abgedeckt
Der Open-Source-/Transparenz-Pfad ist klar dokumentiert: Hugging Face nennt eigene Open-Source-Bibliotheken wie Transformers, Datasets und Tokenizers; die Plattform positioniert sich als offene ML-Plattform mit offenen Modellen, Datensätzen und Spaces. Das schafft einen starken Pfad zu technischer Transparenz und höherer Souveränität.
Datenverarbeitung
Für die Datenverarbeitung ist zwischen Standardbetrieb und konfigurierter Enterprise-/Team-Nutzung zu unterscheiden. Standardmäßig sind Repositories für Nicht-Team-/Nicht-Enterprise-Nutzer laut Website in den USA gespeichert. Für Team und Enterprise können Speicherregionen auf EU gesetzt werden; die Website nennt dafür Modelle, Datensätze, Spaces und im Compliance-Hinweis auch Inference Endpoints. Inference Endpoints speichern laut Dokumentation keine Payloads oder Tokens, aber Logs für 30 Tage. Beim Routing über Inference Providers speichert Hugging Face laut Dokumentation weder Request-Body noch Response für Trainingszwecke; zugleich verweist die Website darauf, dass externe Provider eigene Sicherheits- und Datenrichtlinien haben. Die Datenschutzerklärung nennt außerdem Drittanbieter und Unterauftragsverarbeiter in den USA, Frankreich und EMEA.
Fazit
Für ein EU-/EWR-Verzeichnis ist Hugging Face insgesamt mit 'bedingt' zu bewerten. Der beste verfügbare Weg zu DSGVO-naher Nutzung ist die Verwendung von Team- oder Enterprise-Funktionen mit EU-Storage-Regions und gegebenenfalls Enterprise-DPA; zusätzlich kann der Open-Source-Pfad lokale oder selbst kontrollierte Nutzung ermöglichen. Die Standard-SaaS-Nutzung ist jedoch nicht durchgehend EU-basiert dokumentiert, weil die Website für Nicht-Team-/Nicht-Enterprise-Repositories US-Speicherung nennt und die allgemeine Datenschutzerklärung US-Server sowie US-Subprozessoren aufführt.
Quellen
- https://huggingface.co/privacy
- https://huggingface.co/docs/hub/main/storage-regions
- https://huggingface.co/docs/hub/en/security
- https://huggingface.co/docs/inference-endpoints/main/guides/security
- https://huggingface.co/docs/inference-providers/main/security
- https://huggingface.co/docs/hub/storage-buckets-security
- https://huggingface.co/terms-of-service
| On-prem / local hosting | ⚠️ |
| Private cloud / data center | ⚠️ |
| EU SaaS / Managed | ✅ |
| Hybrid | ⚠️ |
| DPA / AVV | ✅ |
| No training on customer data | ⚠️ |
| Open source / transparency path | ✅ |
On-Prem / lokales Hosting: teilweise
Hugging Face ist auch über Open-Source-Bibliotheken wie Transformers, Datasets und Tokenizers nutzbar. Das eröffnet einen lokalen oder selbst betriebenen Pfad, aber eine ausdrückliche On-Premise-Produktseite mit vollständiger Firmenlösung auf eigener Hardware wurde auf den gefundenen Seiten nicht konkret angegeben.
Private Cloud / RZ: teilweise
Inference Endpoints werden als dedizierte, sichere Infrastruktur beschrieben; außerdem wird AWS PrivateLink für private Anbindung empfohlen. Das spricht für abgegrenzte bzw. kontrollierte Umgebungen, aber eine explizite allgemeine Private-Cloud-Beschreibung für das Gesamtangebot wurde auf den gefundenen Seiten nicht vollständig ausgeführt.
EU-SaaS / Managed: abgedeckt
Für Team- und Enterprise-Organisationen sind EU-Storage-Regions dokumentiert. Die Website sagt ausdrücklich, dass EU-Unternehmen den Hub DSGVO-konform nutzen können, wenn Datensätze, Modelle und Inference Endpoints in EU-Rechenzentren gespeichert werden. Ohne Team/Enterprise liegen Repositories jedoch standardmäßig in den USA.
Hybrid: teilweise
Die Website zeigt einen Mischpfad: offene Bibliotheken für lokale Nutzung plus Hub, Endpoints und Storage als gemanagte Dienste. Zusätzlich nennt die Storage-Seite die Nutzung mit eigenem Cluster. Eine formale Hybrid-Produktbeschreibung wird aber nicht ausdrücklich so bezeichnet.
AVV / DPA: abgedeckt
Ein GDPR Data Processing Agreement wird auf der Website ausdrücklich genannt, allerdings über Enterprise beziehungsweise Enterprise Hub.
Kein Training: teilweise
Für Inference Provider Routing steht ausdrücklich, dass keine Nutzerdaten für Trainingszwecke gespeichert werden. Für Inference Endpoints steht, dass Payloads und Tokens nicht gespeichert werden und nur Logs 30 Tage aufbewahrt werden. Ein plattformweiter, allgemeiner Opt-out aus KI-Training für alle Hub-Dienste wurde auf den gefundenen Seiten jedoch nicht eindeutig angegeben.
Open-Source / Transparenz-Pfad: abgedeckt
Der Open-Source-/Transparenz-Pfad ist klar dokumentiert: Hugging Face nennt eigene Open-Source-Bibliotheken wie Transformers, Datasets und Tokenizers; die Plattform positioniert sich als offene ML-Plattform mit offenen Modellen, Datensätzen und Spaces. Das schafft einen starken Pfad zu technischer Transparenz und höherer Souveränität.
Datenverarbeitung
Für die Datenverarbeitung ist zwischen Standardbetrieb und konfigurierter Enterprise-/Team-Nutzung zu unterscheiden. Standardmäßig sind Repositories für Nicht-Team-/Nicht-Enterprise-Nutzer laut Website in den USA gespeichert. Für Team und Enterprise können Speicherregionen auf EU gesetzt werden; die Website nennt dafür Modelle, Datensätze, Spaces und im Compliance-Hinweis auch Inference Endpoints. Inference Endpoints speichern laut Dokumentation keine Payloads oder Tokens, aber Logs für 30 Tage. Beim Routing über Inference Providers speichert Hugging Face laut Dokumentation weder Request-Body noch Response für Trainingszwecke; zugleich verweist die Website darauf, dass externe Provider eigene Sicherheits- und Datenrichtlinien haben. Die Datenschutzerklärung nennt außerdem Drittanbieter und Unterauftragsverarbeiter in den USA, Frankreich und EMEA.
Fazit
Für ein EU-/EWR-Verzeichnis ist Hugging Face insgesamt mit 'bedingt' zu bewerten. Der beste verfügbare Weg zu DSGVO-naher Nutzung ist die Verwendung von Team- oder Enterprise-Funktionen mit EU-Storage-Regions und gegebenenfalls Enterprise-DPA; zusätzlich kann der Open-Source-Pfad lokale oder selbst kontrollierte Nutzung ermöglichen. Die Standard-SaaS-Nutzung ist jedoch nicht durchgehend EU-basiert dokumentiert, weil die Website für Nicht-Team-/Nicht-Enterprise-Repositories US-Speicherung nennt und die allgemeine Datenschutzerklärung US-Server sowie US-Subprozessoren aufführt.
Quellen
- https://huggingface.co/privacy
- https://huggingface.co/docs/hub/main/storage-regions
- https://huggingface.co/docs/hub/en/security
- https://huggingface.co/docs/inference-endpoints/main/guides/security
- https://huggingface.co/docs/inference-providers/main/security
- https://huggingface.co/docs/hub/storage-buckets-security
- https://huggingface.co/terms-of-service
Stärken & Schwächen im Überblick
| Stärken | Schwächen |
|---|---|
| • Sehr großer LLM-/Modellkatalog mit Community-, Forschungs- und Unternehmensmodellen | • Kein klassischer „ein Modell aus einer Hand“-LLM-Anbieter; Qualität, Lizenz und Governance hängen stark vom jeweiligen Modell ab. |
| • Einheitliche API für viele Provider und Modelltypen | • Community-Modelle und externe Provider erfordern eigene Prüfung von Lizenz, Datenschutz, Sicherheit und Modellrisiken. |
| • OpenAI-kompatibler Einstieg für Chat-Completions | • Inference Providers leiten Requests über eine Proxy-Schicht an externe Anbieter weiter; deren Datenschutz- und Sicherheitsbedingungen müssen separat geprüft werden. |
| • Dedicated Inference Endpoints für produktive Deployments mit Autoscaling, Logs und Metriken | • Pay-as-you-go- und GPU-basierte Nutzung kann für Einsteiger schwer kalkulierbar sein. |
| • Starke Open-Source-Bibliotheken wie Transformers, Datasets, Tokenizers, PEFT, TGI und Safetensors | • Scale-to-zero kann Cold Starts verursachen und ist daher nicht für alle Echtzeit-Anwendungen geeignet. |
| • Enterprise-Funktionen wie SSO, RBAC, Audit Logs, Resource Groups, Storage Regions und private Repositories |
Bewertungen
0 Bewertungen insgesamt
Für dieses Tool liegen noch keine bestätigten Bewertungen vor.
Bewertung absenden
Deine Bewertung wird erst nach der Bestätigung per E-Mail sichtbar. Damit schützen wir das Portal vor Missbrauch.
Bewertung melden
Bitte wähle den Grund aus, warum diese Bewertung geprüft werden soll.
DSGVO-konforme Nutzung möglich?
Für Nutzer im gesamten EU/EWR ist eine DSGVO-konforme Nutzung nach den auf der Website gefundenen Angaben grundsätzlich möglich, aber nur unter Bedingungen. Positiv sind die dokumentierte EU-Datenresidenz für Team- und Enterprise-Pläne, der Hinweis auf GDPR-konforme Nutzung mit in EU-Rechenzentren gespeicherten Datensätzen, Modellen und Inference Endpoints sowie ein verfügbarer AVV nur über Enterprise. Gleichzeitig nennt die allgemeine Datenschutzerklärung die Server der Firma in den USA und beschreibt Drittanbieter und Unterauftragsverarbeiter teils in den USA. Für die Standardnutzung ohne Team/Enterprise sind Repositories laut Website immer in den USA gespeichert. Deshalb ist die Nutzung im EU/EWR nicht pauschal, sondern nur plan- und konfigurationsabhängig DSGVO-tauglich.
Positiv
Auf der Website finden sich mehrere positive Bausteine: EU-Storage-Regions für Team- und Enterprise-Organisationen; ausdrücklicher Hinweis, dass EU-Unternehmen den Hub für ML-Entwicklung DSGVO-konform mit Speicherung in EU-Rechenzentren nutzen können; DPA/AVV über Enterprise; SOC 2 Type 2; für Inference Endpoints laut Dokumentation keine Speicherung von Payloads oder Tokens, nur Logs für 30 Tage; für Inference Provider Routing laut Dokumentation keine Speicherung von Request-Body oder Response für Trainingszwecke.
Negativ
Die allgemeine Datenschutzerklärung sagt, dass die Firma und ihre Server in den USA liegen und dass personenbezogene Daten in den USA oder anderen Ländern verarbeitet werden können. Außerdem listet sie mehrere Unterauftragsverarbeiter mit Standort USA. Für Nutzer außerhalb von Team/Enterprise sind Repositories laut Website immer in den USA gespeichert. Ein pauschales, überall geltendes EU-only-Hosting ist auf der Website nicht belegt. Ein allgemeines, plattformweites Opt-out aus KI-Training ist auf der Website nicht eindeutig angegeben; nur für bestimmte Inference-Dienste steht, dass Nutzerdaten nicht für Trainingszwecke gespeichert werden.
Serverstandort
Auf der Website uneinheitlich dargestellt: In der Datenschutzerklärung steht, dass die Firma und ihre Server in den USA liegen. Gleichzeitig dokumentiert Hugging Face für Team- und Enterprise-Pläne EU-Storage-Regions und nennt für EU-Unternehmen eine DSGVO-konforme Nutzung mit Datensätzen, Modellen und Inference Endpoints in EU-Rechenzentren. In der Subprozessoren-/Dienstleisterliste werden u. a. USA, Frankreich und EMEA genannt; konkrete einzelne EU-Rechenzentrumsstandorte werden auf den gefundenen Seiten nicht näher angegeben.