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 4848，趋势分 1231。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4848 · 趋势分 1231）
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 1217，趋势分 881。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 1217 · 趋势分 881）
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 2699，趋势分 784。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2699 · 趋势分 784）
在 Hugging Face 查看
排行第四：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 2783，趋势分 452。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2783 · 趋势分 452）
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 623，趋势分 446。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 623 · 趋势分 446）
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 5846，趋势分 366。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5846 · 趋势分 366）
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 16722，趋势分 349。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16722 · 趋势分 349）
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 339，趋势分 325。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 339 · 趋势分 325）
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 598，趋势分 300。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 598 · 趋势分 300）
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 494，趋势分 289。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 494 · 趋势分 289）
在 Hugging Face 查看
排行第十一：clef（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 272，趋势分 270。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 272 · 趋势分 270）
在 Hugging Face 查看
排行第十二：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 2333，趋势分 263。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2333 · 趋势分 263）
在 Hugging Face 查看
论文
排行第一：基于语言反馈的LLM评判模型训练：选择性自蒸馏方法
本文研究如何利用自然语言反馈训练LLM评判模型，特别针对主观性任务，其中判决结果高度依赖于评判者所调用的评估标准及其权重分配。主流方法如结果监督强化学习仅根据最终判决的准确性为每个生成标记分配单一标量奖励，忽略了标准选择标记的单独贡献和伴随偏好标签的丰富语言反馈。自蒸馏是一种利用语言反馈的自然方式：同一模型在反馈条件下作为教师，提供密集的、针对性的指导信号。（论文赞 5）
在 Hugging Face 查看
排行第二：基于奖励加权传输蒸馏的一步生成模型对齐
一步生成器通过单次网络评估实现高质量视觉生成，但其训练后调整困难：通用隐式生成器既不提供易处理的似然函数，也没有去噪轨迹，且许多奖励函数不可微。本文提出奖励加权传输蒸馏（RWTD），一种仅需生成样本和标量奖励评估的训练后方法。RWTD不单纯对齐传统奖励倾斜的参考分布，而是构建自适应目标，混合分别倾斜的当前分布和参考分布。当前部分整合训练中发现的改进，参考部分保持稳定性。（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的高效免转录语音克隆
基于自回归语义建模的TTS系统在零样本语音克隆和丰富表达变化方面表现强劲，但顺序解码导致高延迟。非自回归替代方案生成更快，但通常依赖更严格的参考条件，如在推理时需要参考语音的转录文本。Tacit-TTS是从IndexTTS2蒸馏的高效免转录零样本语音克隆系统，用掩码非自回归生成替代自回归文本到语义解码，引入免训练声学长度估计，并加速流匹配渲染器。（论文赞 7）
在 Hugging Face 查看
排行第四：BiasReducer：奖励模型的自适应偏差缓解框架
奖励模型对大型语言模型的响应进行评分，引导其训练符合人类偏好。但奖励模型可能偏爱长度或置信度等表面属性，导致LLM产生得分更高但不更正确的响应。现有缓解方法要么重新训练奖励模型，要么对已知偏差应用固定校正。重新训练需要额外数据和计算资源，而现有编辑方法需预先指定目标偏差并使用固定编辑。BiasReducer提出轻量级框架，仅编辑线性奖励头以自适应缓解多种偏差。（论文赞 16）
在 Hugging Face 查看
排行第五：BIABench：在真实生物图像分析任务上评估AI智能体
AI智能体有望自动化生物图像分析，但尚无基准评估其端到端执行真实世界分析的能力。此类分析对智能体具有挑战性，因为2D图像、3D体积和延时序列通常过大无法作为上下文读取，智能体必须通过代码、专业软件和渲染视图选择并运行分析。已发表研究使该能力可测试，因为每项研究将原始图像与同行评审结果配对。BIABench包含16个从已发表生物学研究重建的任务，保留科学问题、成像数据和真实值，涵盖十一种分析类型。（论文赞 4）
在 Hugging Face 查看
排行第六：DAGent：深度研究智能体的评估后增长规划方法
深度研究任务要求智能体导航大型知识空间，综合多源证据，并根据发现调整计划。基于有向无环图的多智能体系统适合此场景，因其支持并行执行并将每个子任务隔离在专注的依赖上下文中。但现有DAG智能体在执行前实例化任务级计划，仅在观察到失败或缺失证据后修复图。这种先计划后修补策略对深度研究脆弱：系统在证据最弱时承诺最强，后期修订浪费计算于本不应规划的分支。本文提出评估后增长规划方法。（论文赞 3）
在 Hugging Face 查看
排行第七：MILO：多智能体进化自动化 harness 发现
MILO 是一种框架，通过协同进化智能体 harness 和发现策略来自动化设计。它结合了基于岛屿的树结构层次记忆，利用被拒绝的变异作为负样本，从而在组合搜索空间中更高效地探索。（论文赞 15）
在 Hugging Face 查看
排行第八：提示身份影响多智能体 LLM 协作
当多智能体系统中的代理知道彼此模型家族时，会形成群体分裂，偏好与相同标签的代理交互。这种现象称为派系主义，即使任务本身不鼓励这种分裂，也会显著降低协作效率。（论文赞 3）
在 Hugging Face 查看
排行第九：基于项目反应理论的评分奖励
针对无单一答案的语言任务，传统评分方法将标准合并为标量奖励，但存在聚合问题和判断成本上升。Rubric Response Theory（RRT）通过测量质量并选择关键标准来改进这一方法。（论文赞 10）
在 Hugging Face 查看
排行第十：会议中谁说了什么？持久说话人识别评估
现有会议转录指标无法衡量说话人身份在多场会议中的一致性。提出 Speaker Identified cpWER（SI-cpWER）评估全局说话人身份分配的稳定性，涵盖多种识别方法和噪声环境下的数据集。（论文赞 2）
在 Hugging Face 查看
排行第十一：MemLife：长期自中心视频记忆构建与推理
MemLife 是一种多模态记忆系统，通过构建以实体为基础的第一人称文本事件来压缩视频，支持高效检索。它解决了记忆信息丢失和检索竞争的问题，适用于长期个人视频记忆的推理。（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
SeLMRoute 将查询的语义证据提取与候选模型性能学习分离，通过评估可解释问题（如推理需求）来选择最合适的模型。该方法提高了路由的可解释性和准确性。（论文赞 5）
在 Hugging Face 查看
