用途：在 JavaScript/TypeScript 环境中本地运行 Hugging Face 模型，覆盖浏览器与 Node.js、Bun、Deno 等运行时，无需搭建 Python 服务端。
主要能力：提供 Pipeline API，将预处理、推理、后处理打包为一次调用；任务涵盖文本分类/情感分析、命名实体识别、问答、填空、摘要、翻译、文本生成、零样本分类等 NLP 任务，图像分类、目标检测、图像分割、深度估计等视觉任务，语音识别、音频分类、文本转语音等音频任务，以及图像转文本、文档问答等跨模态任务；feature-extraction 可生成句向量（配合 { pooling: 'mean', normalize: true }）。支持手动使用 AutoTokenizer 与 AutoModel，并支持批量输入。
使用方式：安装 npm install @huggingface/transformers；浏览器可经 CDN 导入。用 pipeline('任务') 创建管道，如 const pipe = await pipeline('sentiment-analysis')，第二参数可指定模型 ID；以 { device: 'webgpu' } 启用 GPU，或用 { dtype: 'q4' } 等量化选项（fp32/fp16/q8/q4）。env 可控制远程/本地模型加载、文件系统与浏览器缓存、日志级别、自定义 fetch 请求头等；ModelRegistry（v4）可在加载前检查所需文件、缓存状态与可用 dtype。另有 @huggingface/tokenizers 支持独立分词。
适用场景：网页端与客户端推理、服务端 JS 运行时内的模型调用、需要本地化或不依赖 Python 服务的机器学习功能。
限制与注意事项：模型可能占用 100MB 至数 GB 内存/GPU 资源，使用完毕须调用 dispose()；WebGPU 需浏览器支持，否则回退 WASM/CPU；内存受限时可选用更小或量化模型、降低批量与 max_length；模型须含 ONNX 文件；生产环境建议固定模型版本；部分细节（如具体收费、价格与效果指标）暂未提供。