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 5071，趋势分 943。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5071 · 趋势分 943）
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 968，趋势分 927。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 968 · 趋势分 927）
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 2913，趋势分 683。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2913 · 趋势分 683）
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 6110，趋势分 394。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6110 · 趋势分 394）
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 690，趋势分 373。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 690 · 趋势分 373）
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 2891，趋势分 360。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2891 · 趋势分 360）
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 16873，趋势分 354。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16873 · 趋势分 354）
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 397，趋势分 339。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 397 · 趋势分 339）
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 349，趋势分 339。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 349 · 趋势分 339）
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 389，趋势分 274。标签：computer-vision、visionhope。（点赞 389 · 趋势分 274）
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 310，趋势分 252。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 310 · 趋势分 252）
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 648，趋势分 248。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 648 · 趋势分 248）
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，这会消耗请求的部分延迟预算。我们通过集成 Jev 的决策导向 API 到边缘服务编排中，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 5）
在 Hugging Face 查看
排行第二：Ego2Act：评估以目标为导向的自我中心视频生成中的操作能力
视频生成模型正被越来越多地用作世界模拟器，用于实体规划和学习。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一的短动作或逐步指令上，而多步骤的物理推理在自我中心视频生成中尚未得到充分探索，尤其是需要规划来模拟完成高级目标的多个真实世界操作。我们引入了 Ego2Act，一个以目标为导向的基准测试。（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以实现长期个性化
长期服务同一用户时，助手需要回答用户已透露的偏好、修订的偏好和当前适用的约束。保留这些信息与利用这些信息进行决策不同，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则可以限制接口，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序列。我们提出了 MemFold，通过其支持的行为来优化固定预算的软记忆。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：训练后和对齐的综述
视频生成已从短、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来适应预训练模型。（论文赞 44）
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
激活引导系数决定了干预强度，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 专门化了一个共享的、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 一致性底限为 75 的情况下，分别提高了 33.2、18.3 和 17.8 个点的核心特征表达（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer 过早停止思考，微小的 LoRA 可以修复它
预训练的 Transformer 在上下文中跟随引用时很少利用其深度。13 个基础模型通常只能可靠地跟随 1.4-3.6 行，额外的预训练循环也几乎没有帮助。通过在一个早期层上应用任务训练的 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 在四个循环后可以达到 60 行，八个循环后至少可以达到 160 行。LoRA（论文赞 62）
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
该论文提出Honeycomb视频世界模型，使用六平面结构存储场景特征，通过低秩表示实现固定大小的记忆体。模型通过前馈写入器将生成块映射到新平面特征，同时保持维度不变，从而在扩展空间覆盖或时间范围时保留历史信息并融合新特征。（论文赞 5）
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，提升多步代理的泛化能力。不同于传统统一加权方式，该方法从数据中恢复层次结构并进行训练，无需调用大语言模型，从而实现更有效的经验复用和任务适应性。（论文赞 32）
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
本文构建了OpenTumorBoard基准，包含611个患者病例和19,157次讨论，涵盖10个专科角色。该基准基于YouTube公开肿瘤讨论录音，支持两种评估设置，用于测试语言模型在真实临床讨论中的响应和共识生成能力。（论文赞 11）
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
论文指出关键词匹配基准容易误判小模型的工具使用能力，提出一套廉价诊断方法。通过对比两个架构相同的西班牙语安全语言模型，发现其在严格验证下存在显著差异，揭示了工具使用评估中的虚假阳性问题。（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工作。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，帮助研究AI在科研灵感中的作用。（论文赞 9）
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
该研究系统比较了在线和离线学习在模型蒸馏中的影响，通过控制 rollout 策略、token 级别 KL 方向和学习率等因素，分析其在科学、医学和算术任务中的表现，揭示了不同策略对模型泛化和遗忘的影响。（论文赞 153）
在 Hugging Face 查看
