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 5010，趋势分 1019。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5010 · 趋势分 1019）
在 Hugging Face 查看
排行第二：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 827，趋势分 794。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 827 · 趋势分 794）
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 2853，趋势分 719。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2853 · 趋势分 719）
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 673，趋势分 401。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 673 · 趋势分 401）
在 Hugging Face 查看
排行第五：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 6011，趋势分 395。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6011 · 趋势分 395）
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 2849，趋势分 376。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2849 · 趋势分 376）
在 Hugging Face 查看
排行第七：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 374，趋势分 358。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 374 · 趋势分 358）
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 16814，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16814 · 趋势分 348）
在 Hugging Face 查看
排行第九：clef-flash（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 281，趋势分 275。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 281 · 趋势分 275）
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 544，趋势分 265。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 544 · 趋势分 265）
在 Hugging Face 查看
排行第十一：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 377，趋势分 262。标签：computer-vision、visionhope。（点赞 377 · 趋势分 262）
在 Hugging Face 查看
排行第十二：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 625，趋势分 244。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 625 · 趋势分 244）
在 Hugging Face 查看
论文
排行第一：用 Jev 决策模型替代大语言模型以减少边缘服务编排的延迟
自然语言服务请求在执行前需要语言模型决策，这会消耗请求的延迟预算。我们通过将 Jev 的决策导向 API 集成到边缘服务编排中，减少了这一开销，同时保留了服务完成的能力。该集成提取了四到八个有界意图字段，并应用了共享验证器、准入策略和调度器，考虑了请求时间线中的决策等待时间。我们对 Jev、两个自托管决策模型和三个托管大语言模型 (LLMs) 进行了 8,280 个已验证请求的比较，并在实时准入路径上进行了建模执行和真实光学测试。（论文赞 1）
在 Hugging Face 查看
排行第二：Ego2Act：评估第一人称视频生成中的目标导向操作
视频生成模型越来越多地被用作世界模拟器，用于具身规划和学习。为了有效实现这一目标，这些模型不仅要生成视觉上吸引人的帧，还要预测在执行目标导向动作时环境如何动态演变。虽然评估这些能力至关重要，但现有的基准主要集中在单个短动作或逐步指令上，忽略了多步骤物理推理，特别是在需要规划以模拟执行多个现实世界操作的第一人称视频生成中。我们引入了 Ego2Act，一个目标导向的基准。（论文赞 6）
在 Hugging Face 查看
排行第三：MemFold：通过在线策略优化学习紧凑软内存以实现长期个性化
长期服务同一用户的助手需要回答用户已透露的偏好和约束。保留这些信息与利用这些信息进行行动是不同的，通常这两者是分开优化的。将信息保留为文本会使输入随着保留历史的增长而增加，而将其压缩为固定数量的潜在向量虽然限制了接口，但通常训练目标是重建文本或模仿参考答案，这些都不是用户实际产生的。我们提出了 MemFold，通过支持的行为来优化固定预算的软内存。（论文赞 2）
在 Hugging Face 查看
排行第四：视频生成模型：训练后和对齐的综述
视频生成已从短小、低质量的片段发展到高分辨率、长时间的序列，具有复杂的时空动态。尽管通过大规模预训练学到了强大的生成先验，但预训练的视频模型往往无法可靠地遵循人类意图、保持时间连贯性或满足物理和安全约束。与图像和文本生成相比，视频生成的对齐面临独特的挑战，包括时间上的错误累积、运动-外观耦合、多目标权衡和时间属性的有限监督。这些挑战促使系统性的训练后策略，以适应预训练模型。（论文赞 23）
在 Hugging Face 查看
排行第五：人格剂量：校准激活引导以实现分级特征控制
激活引导系数决定了干预强度，但请求特定程度的人格表达需要一个行为尺度。我们研究了人格剂量：通过特征描述和请求的平均强度来控制语言模型。PersonaDose 专门化一个共享的、描述条件的 FLAS 控制器，然后根据测量的特征表达来校准其流动时间。在 Llama-3.1-8B、Qwen3-8B 和 Gemma-3-4B 上，PersonaDose 在 75 的人格向量连贯性基础上，分别提高了 33.2、18.3 和 17.8 个点。（论文赞 10）
在 Hugging Face 查看
排行第六：Transformer 过早停止思考，一个小小的 LoRA 修复了它
预训练的 Transformer 在上下文中跟随引用时很少利用其深度。十三个基础模型通常只能可靠地跟随 1.4-3.6 行，额外的预训练循环几乎没有帮助。通过在早期的一层中添加一个任务训练的 rank-8 LoRA，可以在冻结所有模型权重的情况下扩展这一计算。Qwen3-8B 在 24 行链上的准确率从 15.5% 提高到 99%；经过更长时间训练的 LoRA 可以达到 50 行。Ouro-1.4B 在四次循环后可以达到 60 行，八次循环后至少可以达到 160 行。这个 L（论文赞 54）
在 Hugging Face 查看
排行第七：Honeycomb：用于视频世界模型的恒定场景记忆表示
本文提出Honeycomb视频世界模型，使用HexMemory实现固定大小的场景特征存储。通过六个空间和时空平面存储场景信息，采用前馈写入器将生成块映射为新平面特征，并通过置信加权融合旧特征，实现高效持久化场景记忆。（论文赞 2）
在 Hugging Face 查看
排行第八：X-Tree：用于高效代理泛化的可重用经验分词方法
本文提出X-Tree方法，通过识别和重用任务中的子程序结构来提升代理泛化能力。不同于传统平坦训练方式，该方法从数据中恢复层次结构并进行训练，无需大语言模型调用，有效提升多步骤任务的训练效率和泛化性能。（论文赞 17）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤病例讨论轨迹基准测试
本文构建OpenTumorBoard基准测试，包含611个患者病例和19,157次讨论，涵盖10个专业角色。该基准评估LLM在真实肿瘤病例讨论中的响应能力及模拟讨论达成治疗共识的能力，为多学科协作研究提供真实场景数据支持。（论文赞 8）
在 Hugging Face 查看
排行第十：关键词陷阱失效：小语言模型工具使用诊断阶梯
本文指出关键词匹配基准可能错误识别小模型的工具使用能力。通过对比两个架构相同的西班牙语安全语言模型，提出一套廉价严格诊断方法，通过逐字复现检查区分模型真实工具调用能力，揭示现有评估方法的缺陷。（论文赞 2）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究的论文基准
本文构建ScholarCatalyst基准，通过184位作者标注207篇计算机科学论文，识别哪些先前研究启发了其新项目。该基准提供检索任务，评估模型识别和推荐相关研究的能力，帮助理解科学家的创新思维过程。（论文赞 6）
在 Hugging Face 查看
排行第十二：在线或离线学习？蒸馏动态系统研究
本文系统研究了在强到弱蒸馏设置中， rollout策略对模型学习的影响。通过控制变量分析Llama3和Qwen2.5模型在科学、医学和算术任务中的蒸馏动态，揭示rollout策略对灾难性遗忘、参数更新稀疏性和泛化能力的复杂影响。（论文赞 129）
在 Hugging Face 查看
