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 5016，趋势分 1013。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5016 · 趋势分 1013）
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 839，趋势分 806。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 839 · 趋势分 806）
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 2858，趋势分 712。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2858 · 趋势分 712）
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 674，趋势分 401。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 674 · 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 6016，趋势分 389。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6016 · 趋势分 389）
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 2850，趋势分 370。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2850 · 趋势分 370）
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 376，趋势分 360。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 376 · 趋势分 360）
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 16821，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16821 · 趋势分 351）
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 286，趋势分 280。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 286 · 趋势分 280）
在 Hugging Face 查看
排行第十：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 545，趋势分 261。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 545 · 趋势分 261）
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 626，趋势分 241。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 626 · 趋势分 241）
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做出决策，这会消耗请求的延迟预算。我们将 Jev 的决策导向 API 集成到边缘服务编排中，以减少这一开销，同时保持服务完成。该集成提取了四到八个有界意图字段，并应用共享验证器、准入策略和调度器，考虑了整个请求时间线中的决策等待时间。我们比较了 Jev、两个自托管决策模型和三个托管的大语言模型 (LLMs) 在 8,280 个已验证请求上的表现。（论文赞 1）
在 Hugging Face 查看
排行第二：Ego2Act：评估以目标为导向的自身体视频生成中的操作能力
视频生成模型越来越多地被用作世界模拟器，以进行自身体规划和学习。这些模型不仅要生成视觉上吸引人的帧，还要预测在执行以目标为导向的动作时环境如何动态演变。虽然评估这些能力至关重要，但现有的基准测试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完成高级目标的自身体视频生成中。我们引入了 Ego2Act，一个以目标为导向的基准测试。（论文赞 7）
在 Hugging Face 查看
排行第三：MemFold：通过在线策略优化学习紧凑的软记忆以实现长期个性化
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操作是不同的，通常这两者被优化为同一过程。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，但通常训练用于重建文本或模仿参考答案，这些答案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记忆。（论文赞 3）
在 Hugging Face 查看
排行第四：视频生成模型：后训练和对齐的综述
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通常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，视频生成中的对齐面临独特的挑战，包括时间上的错误积累、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后训练策略的出现，以适应预训练模型。（论文赞 28）
在 Hugging Face 查看
排行第五：个性剂量：校准激活引导以实现分级特征控制
激活引导系数设置干预强度，但请求特定程度的个性表达需要一个行为尺度。我们研究了个性剂量：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 Persona Vectors 一致性底限 75 的基础上，分别提高了 33.2、18.3 和 17.8 个点的核心特征表达。（论文赞 11）
在 Hugging Face 查看
排行第六：Transformer 过早停止思考，微小的 LoRA 修正了这一点
预训练的 Transformer 在上下文中跟随引用时很少使用其深度。13 个基础模型可靠地跟随只有 1.4-3.6 行，额外的预训练循环几乎没有帮助。在早期一层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种计算。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 在四次循环后达到 60 行，八次循环后至少达到 160 行。LoRA 开始了一个接力：（论文赞 55）
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
该研究提出Honeycomb视频世界模型，使用HexMemory存储场景特征，通过六个空间和时空平面实现固定大小的记忆。通过前馈写入器将生成块映射到新平面特征，并在扩展时通过置信加权融合旧特征，有效减少存储需求。（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，实现更高效的代理训练。不同于传统方法对所有token均匀加权，该方法从数据中恢复层次结构，无需大语言模型调用，提升泛化能力。（论文赞 19）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹的真实世界基准
OpenTumorBoard是一个包含611个患者案例和19,157个讨论回合的基准，涵盖10个专业角色，基于YouTube公开肿瘤讨论录音构建，用于评估LLM在真实肿瘤讨论中的表现和共识生成能力。（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声明的廉价诊断阶梯
研究发现关键词匹配基准可能错误地认可小模型的工具使用能力，提出一套廉价诊断方法区分真正工具使用和虚假匹配。通过对比两个架构相同的模型在工具调用上的表现，揭示其实际能力差异。（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
ScholarCatalyst通过184位作者标注207篇论文，构建检索任务基准，评估模型识别启发性研究的能力。该基准关注研究者如何从已有文献中获取灵感，提升AI在科研中的创新性。（论文赞 6）
在 Hugging Face 查看
排行第十二：在线或离线学习？蒸馏动态的系统研究
本研究系统比较了在线和离线学习在蒸馏过程中的影响，通过控制 rollout 策略、token 级别 KL 方向和学习率，分析其对 Llama3 和 Qwen2.5 模型在科学、医学和算术任务中的影响。（论文赞 130）
在 Hugging Face 查看
