用途：在 Hugging Face Transformers v5（≥5.0，资料称当前 5.17.0）下加载 Hub 预训练模型做 NLP、视觉、音频与多模态任务的推理和微调。v5 仅支持 PyTorch。
主要能力：用 pipeline() 完成文本分类、NER、零样本分类、聊天模型文本生成、语音识别、图像分类/检测、图像-文本到文本等快速推理；用 Auto* 类显式加载模型与分词器/处理器，支持 dtype、device_map、注意力后端与 4/8 位量化；用 model.generate() 控制贪心、采样（temperature/top-k/top-p）、beam search、流式与聊天模板；用 Trainer 微调编码器或解码器，可配合 peft 做 LoRA。
用法：安装 uv pip install "transformers>=5" torch accelerate datasets，视觉加 pillow 与 torchvision，音频加 librosa soundfile，LoRA/量化加 peft、bitsandbytes。私有或受限模型需用 huggingface_hub 的 login() 或设置 HF_TOKEN，显式传 token=。pipeline 示例：pipeline("text-generation", model="Qwen/Qwen3-0.6B")。文本生成用 max_new_tokens 而非 max_length。v4 代码迁移要点：dtype= 取代 torch_dtype=；load_in_8bit/4bit 改为 quantization_config=BitsAndBytesConfig(...)；摘要、翻译、问答等专用 pipeline 已移除，改为 chat 模型加指令提示；pipeline("image-to-text") 等改为 pipeline("image-text-to-text")；Trainer 用 processing_class=，warmup_ratio 改为 warmup_steps=0.1，report_to 默认 "none"；保存固定为 safetensors。
适用场景：模型推理原型与批量推理、需要显式控制精度/设备/量化的加载、解码策略调优、自定义标注数据集的微调与 LoRA。
限制：仅 PyTorch，TF/Flax 相关接口已移除；部分高级解码（如对比搜索、约束生成）移至 Hub 的 custom_generate 仓库，需 trust_remote_code=True。研究与论文中应固定模型 ID 与 revision，并报告 checkpoint、transformers 版本、解码参数与随机种子。使用前需核对模型卡的许可证与门控条款。分类模型的表格特征任务、自定义 PyTorch 训练循环、蛋白质语言模型、时间序列基础模型等不在本技能范围内。