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 5057，趋势分 954。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5057 · 趋势分 954）
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 945，趋势分 908。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 945 · 趋势分 908）
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 2909，趋势分 693。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2909 · 趋势分 693）
在 Hugging Face 查看
排行第四：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 6091，趋势分 391。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6091 · 趋势分 391）
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 689，趋势分 390。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 689 · 趋势分 390）
在 Hugging Face 查看
排行第六：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 393，趋势分 377。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 393 · 趋势分 377）
在 Hugging Face 查看
排行第七：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 2883，趋势分 357。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2883 · 趋势分 357）
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 16862，趋势分 354。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16862 · 趋势分 354）
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 341，趋势分 332。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 341 · 趋势分 332）
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 388，趋势分 273。标签：computer-vision、visionhope。（点赞 388 · 趋势分 273）
在 Hugging Face 查看
排行第十一：OrcaSAQ-2-Cyber-27B-Uncensored-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 302，趋势分 256。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 302 · 趋势分 256）
在 Hugging Face 查看
排行第十二：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 564，趋势分 252。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 564 · 趋势分 252）
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实现低延迟边缘服务编排
自然语言服务请求在执行前可能需要语言模型进行决策，这会消耗部分延迟预算。本文将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。该集成提取四到八个有限意图字段，并应用共享验证器、准入策略和调度器，考虑整个请求时间线中的决策等待时间。在8,280个验证请求和一个实时准入路径上，本文比较了Jev、两个自托管决策模型和三个托管大语言模型（LLMs）的性能。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act：评估以自我为中心视频生成中的目标导向操作
视频生成模型正被越来越多地用作具身规划和学习的世界模拟器。为了有效实现这一点，这些模型不仅需要生成视觉上吸引人的帧，还需要预测在执行目标导向操作时环境如何动态演变。尽管评估这些能力至关重要，但现有基准主要关注单一短动作或逐步指令，而多步骤物理推理仍缺乏研究，尤其是在需要规划以模拟正确执行以实现高层目标的自我中心视频生成中。本文引入Ego2Act，一个目标导向的基准。（论文赞 20）
在 Hugging Face 查看
排行第三：MemFold：通过策略优化学习紧凑的软记忆以实现长上下文个性化
一个在长时间范围内为同一用户服务的助手，需要根据用户透露的内容进行回答，包括哪些偏好仍然有效、哪些已被修改以及哪些约束现在适用。保留这些信息与根据这些信息行动是不同的，但通常被当作同一目标进行优化。将信息保存为文本会使用户的输入随历史记录增长，而将其压缩为固定数量的潜在向量则限制了接口，但通常训练是为了重建文本或模仿参考答案，而这些答案的评估基于用户从未生成的序列。本文提出MemFold，通过其支持的行为对固定预算的软记忆进行优化。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：后训练与对齐的综述
视频生成技术已从短时、低质量的片段快速发展到高分辨率、长时长且具有复杂时空动态的序列。尽管通过大规模预训练学习到了强大的生成先验知识，但预训练的视频模型往往难以可靠地遵循人类意图、保持时间一致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挑战，包括时间上的误差累积、运动与外观的耦合、多目标权衡以及时间属性的监督有限。这些挑战促使系统性后训练策略，以适应预训练模型。（论文赞 43）
在 Hugging Face 查看
排行第五：个性剂量：用于渐进特征控制的校准激活引导
激活引导系数设定干预强度，但要求特定程度的个性表达需要行为尺度。本文研究个性剂量：通过特征描述和请求的平均强度来控制语言模型。PersonaDose在个性响应上专门化一个共享的、基于描述的FLAS控制器，然后将其流时间与测量的特征表达进行校准。训练响应未与请求的目标强度配对。在Llama-3.1-8B、Qwen3-8B和Gemma-3-4B上，PersonaDose在75的个性向量一致性基准上，分别比对比激活添加提高了33.2、18.3和17.8个百分点。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，而一个微小的LoRA能解决这个问题
预训练的Transformer模型在遵循上下文中的参考时使用了很少的深度。13个基础模型只能可靠地遵循1.4到3.6行内容，额外的预训练循环增加不多。一个任务训练的秩8 LoRA在早期一层扩展了这一计算，且所有模型权重保持冻结。Qwen3-8B在24行链上将精确准确率从15.5%提升至99%；更长训练的LoRA可达到50行。Ouro-1.4B在四次循环后可达到60行，八次循环后至少达到160行。LoRA启动了一个中继：程序行通过中间层的短范围传递其链标识。冻结的头部可以逐步读（论文赞 61）
在 Hugging Face 查看
排行第七：Honeycomb：常规模型场景记忆表示
本文提出了一种名为Honeycomb的视频世界模型，它基于HexMemory，这是一种低秩表示方法，用于在固定大小的内存中存储场景特征。HexMemory包含六个空间和平面，涵盖时空范围。模型通过向前映射生成每个块的新平面特征，并在覆盖范围或时间范围扩展时，通过置信度加权融合新特征与旧特征。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：从数据中恢复可复用经验
本文提出了一种名为X-Tree的方法，用于从数据中恢复可复用经验。X-Tree通过重评分动作跨度，合并canonical形式，以训练模型更好地利用任务结构。与仅依赖LLM生成技能的flat训练不同，X-Tree在训练过程中直接利用任务结构，提高了模型在具体任务中的表现。（论文赞 28）
在 Hugging Face 查看
排行第九：OpenTumorBoard：肿瘤多学科讨论的真实世界基准
本文介绍了OpenTumorBoard，这是一个用于评估肿瘤多学科讨论真实轨迹的基准数据集。该数据集包含611个患者案例和19,157次讨论回合，涵盖了十个专业角色。OpenTumorBoard评估两种设置：SPECIALIST TURN和BOARD SIMULATION，分别评估模型在临床问题回答和生成完整讨论方面的能力。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词检验失败：小型语言模型工具使用声明的廉价诊断方法
本文发现关键词匹配基准可能会错误地给小型语言模型工具使用评分。我们提出了一种严格的廉价诊断方法，用于检测工具使用声明的准确性。通过对比不同模型的工具使用评分，我们发现某些模型实际上并未执行有效的工具调用。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究的论文基准
本文介绍了一个名为ScholarCatalyst的基准数据集，用于评估研究人员如何从庞大的论文库中检索出能够启发新研究的论文。ScholarCatalyst通过自动化管道收集作者标注的数据，这些标注数据表明哪些论文对作者的研究项目有启发作用。（论文赞 9）
在 Hugging Face 查看
排行第十二：离策略与在线策略学习：蒸馏动力学系统研究
本文系统地研究了离策略和在线策略学习在蒸馏过程中的动力学差异。通过控制强到弱的蒸馏设置，并独立调整滚动策略、令牌级别的KL方向和学习率，本文分析了不同策略对模型性能的影响。研究结果表明，滚动策略在特定任务中表现出显著差异，对模型性能有重要影响。（论文赞 151）
在 Hugging Face 查看
