HF榜单(2026年10月01日 08:15 北京时间)


Audio8-ASR-Infinite(语音识别)

Hugging Face 模型趋势榜和每日论文。

模型

排行第一:Audio8-ASR-Infinite(语音识别)
Hugging Face 趋势榜上的模型,任务类型是语音识别,点赞 1852,趋势分 1495。标签:audio8_asr_infinite、text-generation、streaming、realtime、speech-recognition。(点赞 1852 · 趋势分 1495)
在 Hugging Face 查看

排行第二:laya(文本分类)
Hugging Face 趋势榜上的模型,任务类型是文本分类,点赞 4683,趋势分 1398。标签:laya、system-one、calibrated-decisions、rlcd、classification。(点赞 4683 · 趋势分 1398)
在 Hugging Face 查看

排行第三:TeleOCR(图文理解)
Hugging Face 趋势榜上的模型,任务类型是图文理解,点赞 1099,趋势分 876。标签:qwen2_5_vl、ocr、document-parsing、multimodal、conversational。(点赞 1099 · 趋势分 876)
在 Hugging Face 查看

排行第四:Qwen-Image-2.1-Uncensored-GGUF(文生图)
Hugging Face 趋势榜上的模型,任务类型是文生图,点赞 2575,趋势分 875。标签:qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。(点赞 2575 · 趋势分 875)
在 Hugging Face 查看

排行第五:CLM-v0.1-8B(text-ranking)
Hugging Face 趋势榜上的模型,任务类型是text-ranking,点赞 573,趋势分 557。标签:contrastive-lm、clm、contrastive-learning、verifier、reranker。(点赞 573 · 趋势分 557)
在 Hugging Face 查看

排行第六:Qwen-Image-2.1(文生图)
Hugging Face 趋势榜上的模型,任务类型是文生图,点赞 2720,趋势分 553。标签:diffusers、qwen、image-generation、image-editing、rgba。(点赞 2720 · 趋势分 553)
在 Hugging Face 查看

排行第七:Nemotron-3-Diarization(语音活动检测)
Hugging Face 趋势榜上的模型,任务类型是语音活动检测,点赞 561,趋势分 415。标签:nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。(点赞 561 · 趋势分 415)
在 Hugging Face 查看

排行第八:Qwen3.8-27B(图文理解)
Hugging Face 趋势榜上的模型,任务类型是图文理解,点赞 16651,趋势分 363。标签:qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。(点赞 16651 · 趋势分 363)
在 Hugging Face 查看

排行第九:LTX-2.5(image-to-video)
Hugging Face 趋势榜上的模型,任务类型是image-to-video,点赞 5719,趋势分 362。标签:diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。(点赞 5719 · 趋势分 362)
在 Hugging Face 查看

排行第十:Ternary-Bonsai-2-27B-gguf(文本生成)
Hugging Face 趋势榜上的模型,任务类型是文本生成,点赞 2307,趋势分 322。标签:llama.cpp、ternary、2-bit、cuda、metal。(点赞 2307 · 趋势分 322)
在 Hugging Face 查看

排行第十一:Qwen-Image-2.1-viggle-turbo(文生图)
Hugging Face 趋势榜上的模型,任务类型是文生图,点赞 453,趋势分 315。标签:diffusers、lora、image-to-image、image-editing、distillation。(点赞 453 · 趋势分 315)
在 Hugging Face 查看

排行第十二:Julia-1(文本分类)
Hugging Face 趋势榜上的模型,任务类型是文本分类,点赞 317,趋势分 307。标签:decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。(点赞 317 · 趋势分 307)
在 Hugging Face 查看

论文

排行第一:AgentTell:浏览器代理行为侧信道泄露研究
本文研究浏览器使用代理在网站间移动时,其行为无意中泄露用户隐私信息的问题。代理为完成任务需携带上下文信息,但若信息包含用户私人事实(如会员身份),在选择特定选项时会通过行为侧信道泄露。工作定义了此类泄露机制,并探讨了即使有明确隔离措施,秘密信息仍可能从先前网站泄露的风险。
在 Hugging Face 查看

排行第二:PreviewDiff:扩散潜空间多模态评论引导搜索
本文提出PreviewDiff方法,解决扩散模型在生成图像或视频时难以满足提示词组合细节(如物体数量、属性绑定)的问题。该方法将扩散采样从标量搜索转变为对中间潜空间的多模态评论引导搜索,在选定步骤评估部分生成结果并调整轨迹,避免传统Best-of-N采样只能从已完成输出中选择的局限性。(论文赞 4)
在 Hugging Face 查看

排行第三:循环语言模型中递归有效性的影响因素
本文通过控制实验系统研究循环语言模型中递归机制的有效性。探讨递归在何时有益、应应用于何处及其条件化如何影响性能,覆盖训练视野内外的推理预算下的知识和推理任务。发现递归可提升超训练视野的推理能力,但会降低知识性能,并分析架构选择对效果的影响。(论文赞 7)
在 Hugging Face 查看

排行第四:FRAC:长序列建模的分数状态空间转移
针对状态空间模型因基于ODE的动态导致指数遗忘问题,提出FRAC架构。该选择性SSM源自分数动态,用幂律长记忆替代指数衰减。通过对数间隔指数模态和近似重尾核,将分数记忆实现为高效递归模块,提升模型在广泛时间范围内的信息保留能力。(论文赞 10)
在 Hugging Face 查看

排行第五:周期性弱点:分块KV缓存压缩的相位敏感性
研究长上下文推理中分块KV缓存压缩导致的相位敏感性现象。压缩将连续令牌窗口按固定步长压缩,引入相位(令牌相对压缩边界的位置)概念。发现模型检索性能随相位周期性变化,同一信息在不同相位下检索难度差异可达40个百分点,揭示压缩机制中的系统性不对称性。(论文赞 96)
在 Hugging Face 查看

排行第六:Org-Agent:从个人助手到组织代理的演进
探讨语言模型代理服务于组织时的关键能力:跨用户交互决策与跨用户记忆知识使用。分析组织约束的三个维度:用户身份权限与访问控制、信息归属与时效性、跨用户冲突需求解决规则。这些约束决定了代理执行行动前必须获取的信息或决策条件。(论文赞 5)
在 Hugging Face 查看

排行第七:智能体能否设计智能体库?
研究智能体如何为其他智能体设计库,提出LibraryDesignBench基准,评估不同模型在无预设设计下实现功能库的能力,通过用户智能体的正确性和简洁性测试库质量,涵盖15个任务和4种语言的242个编程问题。(论文赞 8)
在 Hugging Face 查看

排行第八:同家族在线策略蒸馏的缩放特性
研究不同规模模型间在线策略蒸馏的缩放特性,分析弱到强、同基础和强到弱教师-学生设置下的训练动态,发现早期训练中存在统一的有用迁移阶段,验证了KL散度与准确率之间的线性关系。(论文赞 211)
在 Hugging Face 查看

排行第九:持续学习的学习动态:数据归因与遗忘的统一视角
探讨语言模型持续更新中的学习动态,分析经验选择、更新影响和后续学习能力之间的相互作用,通过token和层分解揭示学习过程中的交互机制,提出可前向计算的近似方法。(论文赞 5)
在 Hugging Face 查看

排行第十:循环Transformer中的递归推理调度
分析循环推理模型中更新尺度对性能的影响,提出轨迹感知的尺度调整方法,通过分解终端损失的持久进展和中心波动贡献,优化迭代更新的尺度,提升计算效率。(论文赞 11)
在 Hugging Face 查看

排行第十一:ALICE:上下文零样本互信息估计
提出ALICE模型,无需针对每种分布重新训练,即可在小样本情况下实现竞争性的互信息估计,通过在合成分布上训练,作为上下文估计器,适用于多种数据类型。(论文赞 5)
在 Hugging Face 查看

排行第十二:LIFT:大视角变化下的布局未来视频生成
提出LIFT框架,结合相机控制与布局未来控制,允许用户指定未来视图中的内容和位置,解决现有方法在精确内容和空间布局控制上的不足,实现更可控的视频生成。(论文赞 8)
在 Hugging Face 查看



扫描二维码,在手机上阅读

Trump Truth:在纽约,我见到了韩国总统李在明,我们决定投入2000亿美元新…

HN榜单(2026年10月01日 08:15 北京时间)

评 论
评论已关闭