Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 4816，趋势分 1241。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4816 · 趋势分 1241）
在 Hugging Face 查看
排行第二：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 1201，趋势分 875。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 1201 · 趋势分 875）
在 Hugging Face 查看
排行第三：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 2685，趋势分 790。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2685 · 趋势分 790）
在 Hugging Face 查看
排行第四：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 619，趋势分 460。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 619 · 趋势分 460）
在 Hugging Face 查看
排行第五：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 2763，趋势分 454。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2763 · 趋势分 454）
在 Hugging Face 查看
排行第六：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 5828，趋势分 368。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5828 · 趋势分 368）
在 Hugging Face 查看
排行第七：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 16715，趋势分 350。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16715 · 趋势分 350）
在 Hugging Face 查看
排行第八：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 335，趋势分 322。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 335 · 趋势分 322）
在 Hugging Face 查看
排行第九：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 593，趋势分 305。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 593 · 趋势分 305）
在 Hugging Face 查看
排行第十：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 491，趋势分 290。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 491 · 趋势分 290）
在 Hugging Face 查看
排行第十一：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 2330，趋势分 277。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2330 · 趋势分 277）
在 Hugging Face 查看
排行第十二：VisionHOPE（图像分类）
Hugging Face 趋势榜上的模型，任务类型是图像分类，点赞 358，趋势分 251。标签：computer-vision、visionhope。（点赞 358 · 趋势分 251）
在 Hugging Face 查看
论文
排行第一：通过位置选择性自蒸馏训练LLM评委
我们研究从自然语言反馈中训练LLM评委，特别是对于主观任务，其中判决强烈依赖于评委引用的评估标准及其权重。主导方法，即基于结果监督的强化学习（例如GRPO），为回滚中的每个标记提供单个标量，该标量仅由最终判决的准确性决定，没有为选择标准标记提供单独的信用，也忽略了自然语言反馈（如图示偏好理由）中自然伴随的丰富语言反馈（例如偏好标签）。自蒸馏（SD）是利用这种语言反馈的一种自然方式：同一模型，在这种反馈的条件下，作为提供密集、po（论文赞 1）
在 Hugging Face 查看
排行第二：对齐单步生成模型与奖励加权传输蒸馏
单步生成器能够实现高质量的可视化生成，但其后续训练很难：一般的隐式生成器既没有可处理的似然性，也没有去噪轨迹，许多奖励是非微分的。我们引入了奖励加权传输蒸馏（RWTD），这是一种仅需要生成样本和标量奖励评估的后训练方法。与传统奖励倾斜参考分布的对齐方法不同，RWTD构建了一个自适应目标，混合了当前和参考分布的单独倾斜。当前组件包括训练过程中发现改进，而参考组件（论文赞 2）
在 Hugging Face 查看
排行第三：Tacit-TTS：从自回归解码到掩码预测，实现高效无文本语音克隆
TTS系统使用自回归语义模型展示了强大的零样本语音克隆能力和丰富的表达变化，但其顺序解码引入了显著的延迟。非自回归替代方案提供了更快的生成速度，但通常依赖于更严格的参考条件化，例如需要参考语音的转录。我们提出了Tacit-TTS，这是一种从IndexTTS2蒸馏而来的高效零样本语音克隆系统。我们的模型将自回归文本到语义解码替换为掩码非自回归生成，引入了训练免费的声学长度估计，并加速了流匹配渲染器（论文赞 4）
在 Hugging Face 查看
排行第四：BiasReducer：自适应缓解奖励模型中的偏差
奖励模型对大型语言模型（LLMs）生成的响应进行评分，并引导LLM训练朝向人类偏好。然而，奖励模型可能倾向于表面属性，如长度或置信度，导致LLM产生高分但并不更正确的响应。现有缓解方法包括重新训练奖励模型或应用固定修正来消除已知偏差，如偏好更长响应的偏差。重新训练需要额外的数据和计算资源，而现有的编辑方法需要提前指定目标偏差并使用固定的编辑来处理该偏差。为此，我们提出了BiasReducer，一种轻量级框架，仅编辑线性奖励系数（论文赞 12）
在 Hugging Face 查看
排行第五：BIABench：评估AI代理在真实生物图像分析任务中的表现
人工智能（AI）代理在自动化生物图像分析方面具有潜力，但目前没有基准评估它们是否能够执行端到端的真实世界分析 such analyses对代理来说很难，因为2D图像、3D体积和时间序列往往太大，无法阅读作为上下文，因此代理必须选择和运行分析，通过代码、专业软件和渲染视图 published studies使这种能力可测试，每个研究都配对了原始图像与同行评审的结果。我们引入了BIABench，这是一个基准测试，包含16个任务，这些任务是从发表的生物研究中重建的，保留了它们的科学（论文赞 4）
在 Hugging Face 查看
排行第六：DAGent：评估-然后-增长的规划用于深度研究代理
深度研究任务要求代理在大知识空间中导航，综合来自许多来源的证据，并在发现新信息时调整其计划。有向无环图（DAG）为基础的多代理系统非常适合这种设置，因为它们支持并行执行，并将每个子任务隔离在特定的依赖上下文中。然而，现有基于DAG的代理在执行前会实例化一个任务级计划，并在观察到失败或缺少证据后修复图形。这种“计划-然后修补”的策略对于深入研究是脆弱的：系统在证据最弱时最强烈地承诺计算，后续修订浪费了本不应计划执行的支路上的计算。我们提出了（论文赞 2）
在 Hugging Face 查看
排行第七：MILO：通过编排多智能体演化自动发现控制框架
MILO框架旨在自动发现智能体系统的控制框架，该框架与AI模型结合，负责执行和环境交互。由于控制框架设计对长期性能影响大，且其组合搜索空间需要大量人工调整，现有方法往往局限于优化提示或技能等组件。MILO通过协同演化控制框架及其发现策略，利用基于岛屿的层次谱系记忆和拒绝突变作为负样本，实现更广泛的搜索。（论文赞 13）
在 Hugging Face 查看
排行第八：提示身份损害多智能体LLM系统的合作
本研究探讨多智能体LLM系统中，当智能体知晓彼此模型身份时，合作会受到损害。实验表明，身份标签会导致智能体按模型家族形成派系，优先与同标签智能体交互，即使任务本身不要求这种分裂。这种现象被定义为派系主义，并在两个合作游戏和一个推理基准上得到验证，涉及9到25个智能体，来自最多五个开源模型家族。（论文赞 2）
在 Hugging Face 查看
排行第九：基于项目反应理论的评分标准奖励
针对无标准答案的语言任务，评分标准提供判断响应的准则。强化学习需将评判结果转化为标量奖励，常见方法是累加满足条件的得分，但这可能导致不同评判模式获得相同奖励。Rubric Response Theory（RRT）通过测量质量并选择条件，解决聚合问题，减少随着条件数量增长所需的评判请求。（论文赞 9）
在 Hugging Face 查看
排行第十：评估跨会议的持久说话人归属
研究评估语音转录在长期记忆中如何保持说话人身份稳定性。现有指标忽略说话人或每次录音独立重映射匿名说话人，无法衡量同一人跨会议的身份一致性。提出Speaker Identified cpWER（SI-cpWER），在全局说话人ID分配下评分语料库，基准测试涵盖商业和学术系统，包括ThyVoice端到端方法，在CHiME-8和CHiME-6数据集上验证。（论文赞 1）
在 Hugging Face 查看
排行第十一：MemLife：长期第一人称视频记忆的整理与推理
MemLife是一个多模态记忆系统，针对长达数百小时的长期第一人称视频，解决原始视频重复处理计算成本高的问题。系统将视频压缩为基于实体的第一人称文本片段，并通过时间感知检索机制，避免检索竞争导致的关键证据丢失或检索失败，从而实现可扩展的个性化AI助手推理。（论文赞 2）
在 Hugging Face 查看
排行第十二：SeLMRoute：大语言模型路由的语义证据概率框架
SeLMRoute框架用于大语言模型路由，旨在为每个查询选择最合适的模型。与现有基于查询嵌入或模型表示的方法不同，该框架分离候选无关的语义证据提取、候选性能学习和部署目标应用。决策模型首先评估查询的可解释问题，如推理需求，从而提高路由的透明度和效果。（论文赞 5）
在 Hugging Face 查看
