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 5066，趋势分 953。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5066 · 趋势分 953）
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 955，趋势分 915。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 955 · 趋势分 915）
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 2911，趋势分 690。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2911 · 趋势分 690）
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 6102，趋势分 391。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6102 · 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 381。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 689 · 趋势分 381）
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 2889，趋势分 361。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2889 · 趋势分 361）
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 395，趋势分 359。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 395 · 趋势分 359）
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 16868，趋势分 355。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16868 · 趋势分 355）
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 344，趋势分 334。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 344 · 趋势分 334）
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 305，趋势分 256。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 305 · 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 565，趋势分 252。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 565 · 趋势分 252）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大型语言模型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决策，消耗部分请求的延迟预算。我们将Jev的决策导向API集成到边缘服务编排中，以减少此开销，同时保留服务完成。集成提取四个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，考虑请求时间线中决策等待对整个流程的影响。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act:评估目标导向操作在 egocentric 视频生成中的表现
视频生成模型越来越多地被探索作为具身规划和学习的虚拟世界模拟器。为了有效实现这些模型，不仅需要生成视觉上吸引人的帧，还需要预测当执行目标导向操作时环境如何动态演变。虽然评估这些能力至关重要，但现有基准主要关注单个短操作或分步指令。这导致多步物理推理未被充分探索，尤其是在 egocentric 视频生成中，需要规划以模拟正确的执行来实现高级目标，通过执行多个真实操作。（论文赞 21）
在 Hugging Face 查看
排行第三：MemFold:通过在线策略优化学习紧凑软记忆实现长期上下文个性化
为同一用户服务数年的助手必须回答用户揭示的内容：哪些偏好仍然有效，哪些已修订，以及当前有哪些约束。保留这些信息并不等同于根据这些信息采取行动，两者的优化通常被视为一体。我们介绍了MemFold，通过支持的行为优化一个固定预算的软记忆。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：对后训练和对齐的全面调查
视频生成从短、低质量片段迅速发展至高分辨率、长持续时间序列，具有复杂的时空动态。尽管通过大规模预训练学习强大的生成先验，预训视频模型往往无法可靠遵循人类意图、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，视频对齐面临独特挑战，包括时间误差累积、运动-外观耦合、多目标权衡以及时间属性监督有限。这些挑战促使采用系统后训练策略，适应预训模型。（论文赞 43）
在 Hugging Face 查看
排行第五：Persona Dosing: 通过描述和请求强度校准激活调节
一个激活调节系数设置干预强度，但请求特定程度的人格表达需要一个行为尺度。我们研究Persona Dosing：通过人格描述和请求的平均强度来控制语言模型。人座剂量通过在人格响应上专门训练一个共享、描述条件化的FLAS控制器，然后将其流动时间与实际测量的人格表达进行校准。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，Persona Dosing将核心特质表达在Persona向量的连贯性底线75上，分别提高了33.2、18.（论文赞 40）
在 Hugging Face 查看
排行第六：Tiny LoRA微调提升Transformer早期阶段的思考能力
预训练Transformer在跟随上下文参考时很少使用其深度。十三种基本模型在仅跟随1.4-3.6行时表现可靠，进一步预训练增加的循环也几乎没有效果。在一层中训练一个秩-8LoRA扩展此计算，所有模型权重被冻结。Qwen3-8B将精确准确率从15.5%提高到99%，在24行链上；更长时间训练的LoRA达到50行。Ouro-1.4B在四循环后达到60行，至少八循环后达到160行。LoRA启动了一个接力：程序行通过一系列中间层传递其链身份，短范围的前馈注意力停止接力。冻结的头部读（论文赞 62）
在 Hugging Face 查看
排行第七：Honeycomb：视频世界模型的恒定大小场景记忆表示
本文提出Honeycomb视频世界模型，基于HexMemory低秩表示，将场景特征存储在固定大小的记忆体中，包含六个空间和时空平面。前馈写入器将生成的视频块映射为新平面特征。随着空间覆盖或时间范围扩展，模型会扭曲先前平面并保持其维度，然后通过置信度加权与新特征融合，以维持长视频生成的一致性。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：可复用经验标记化以提升智能体泛化
本文针对多步智能体训练中忽略可复用于任务的问题，提出X-Tree方法。通过评估动作片段的可复用性，合并规范子程序构建层次结构，并在权重中训练，无需调用大语言模型。该方法借鉴文本标记化思想，从数据本身恢复层次结构，提升训练效率与泛化能力。（论文赞 29）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹真实基准
本文介绍OpenTumorBoard基准，包含611个患者案例和19,157次讨论轮次，涵盖十种专家角色，转录自公开的肿瘤委员会录音。基准评估两种设置：专家轮次，即大模型回应真实讨论中的临床问题；委员会模拟，即生成完整讨论并达成治疗共识。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词匹配基准失效：小模型工具使用声明的廉价诊断
本文指出关键词匹配基准可能错误肯定小模型的工具使用能力。通过对比两个西班牙安全语言模型，提出严格且廉价的诊断阶梯。尽管在宽松指标上得分相近，但逐字复现检查显示，较小模型能生成有效工具调用，而较大模型则不能。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索激发新研究论文的基准
本文构建ScholarCatalyst基准，研究科学家如何从研究档案中识别能推动新项目的先前工作。通过自动化流程，让184位计算机科学论文作者标注候选论文是否推进其项目，并提供详细理由。基准引入检索任务，评估模型识别启发新研究论文的能力。（论文赞 9）
在 Hugging Face 查看
排行第十二：在线或离线学习？蒸馏动力学的系统研究
本文在强到弱蒸馏设置中，独立控制滚动策略、令牌级KL方向和学习率，研究在线学习与离线学习的效果。基于Llama3和Qwen2.5模型家族，涵盖科学、医疗和算术领域推理任务，分析揭示滚动策略在蒸馏动力学中的复杂作用。（论文赞 153）
在 Hugging Face 查看
