Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 984，趋势分 943。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 984 · 趋势分 943）
在 Hugging Face 查看
排行第二：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 5076，趋势分 923。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5076 · 趋势分 923）
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 2926，趋势分 684。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2926 · 趋势分 684）
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 6132，趋势分 396。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6132 · 趋势分 396）
在 Hugging Face 查看
排行第五：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 2899，趋势分 361。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2899 · 趋势分 361）
在 Hugging Face 查看
排行第六：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 691，趋势分 357。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 691 · 趋势分 357）
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 16881，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16881 · 趋势分 351）
在 Hugging Face 查看
排行第八：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 357，趋势分 347。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 357 · 趋势分 347）
在 Hugging Face 查看
排行第九：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 400，趋势分 317。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 400 · 趋势分 317）
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 390，趋势分 275。标签：computer-vision、visionhope。（点赞 390 · 趋势分 275）
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 570，趋势分 247。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 570 · 趋势分 247）
在 Hugging Face 查看
排行第十二：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 313，趋势分 247。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 313 · 趋势分 247）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大语言模型
研究将Jev决策模型集成到边缘服务编排中，以减少语言模型决策的延迟开销，同时保持服务完成度。通过提取有限意图字段并应用共享验证器、准入策略和调度器，在请求时间线中考虑决策等待时间。在8280个验证请求上对比了Jev、两个自托管决策模型和三个托管大语言模型的表现。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act：评估自中心视频生成中的目标导向操作
为评估视频生成模型在目标导向操作中的表现，提出Ego2Act基准测试。该基准测试关注多步骤物理推理，要求模型在自中心视角下模拟多个现实操作以实现高层目标。相比现有基准，Ego2Act更注重复杂动作序列和环境动态演变的预测能力。（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
MemFold提出一种学习紧凑软记忆的方法，用于长期上下文个性化。该方法通过在线策略优化，在固定预算下优化记忆行为支持，而非简单重建文本或模仿参考答案，从而实现更高效的用户偏好和约束管理。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：微调与对齐综述
本文综述了视频生成模型在后训练和对齐方面的进展。尽管预训练模型具备强大生成能力，但在遵循人类意图、保持时间一致性及满足物理安全约束方面仍存在挑战。文章分析了视频生成对齐的独特挑战并提出系统性策略。（论文赞 44）
在 Hugging Face 查看
排行第五：人格剂量：分级特质控制的校准激活引导
PersonaDose研究如何通过特质描述和请求的平均强度来控制语言模型的人格表达。通过专门化共享描述条件FLAS控制器并校准流时间，实现对人格特质表达的精确控制。在多个模型上验证了其在提升核心特质表达方面的有效性。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer思考过早停止，小LoRA可修复
研究发现预训练Transformer在上下文引用方面使用深度有限，仅能可靠跟随1.4-3.6行内容。通过在早期层添加秩8的LoRA微调，可显著提升长链推理能力。在多个模型上验证了该方法在长序列推理任务中的有效性。（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大小场景记忆表示
视频世界模型需要持久的场景记忆以在长时视频生成中保持一致性。现有空间记忆通过积累RGB观测或潜在特征，随着生成过程的进行存储需求增加。我们引入Honeycomb，一种基于HexMemory的视频世界模型，采用低秩表示在固定大小的记忆中存储场景特征，总共包含六个空间和时空平面。前馈写入器将每个生成的块映射到新的平面特征中。当空间覆盖范围或时间范围扩大时，我们通过保持其维度来变形之前的平面，然后通过置信度加权与新特征融合。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：用于高效智能体泛化的可重用经验分词方法
多步骤智能体通常在平坦的动作流上进行训练：SFT和RLVR对每个token的权重相同，忽略了跨任务重复出现的子程序以及人类通过可重用的例行程序进行自上而下规划的层次结构。这种结构很少被利用，平坦训练未能充分利用每条稀缺轨迹的内容。近期的智能体虽然使用了这种结构，但仅作为上下文中的LLM生成技能，从未体现在权重中，因此其优势无法在检索之外泛化。我们则从数据本身中恢复这种层次结构并进行训练，无需调用LLM。（论文赞 37）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤委员会讨论轨迹的真实世界基准
多学科肿瘤委员会通过专家讨论整合多模态临床观察和长期患者病史，但基准测试很少捕捉这些真实世界轨迹。我们引入OpenTumorBoard，一个包含611个患者案例和19,157次讨论回合的基准，涵盖十个专家角色，数据来自YouTube上12,534分钟的公开肿瘤委员会录音。该基准测试评估两种场景：SPECIALIST TURN，即LLM对真实讨论中提出的临床重要问题作出回应；BOARD SIMULATION，即LLM生成完整的讨论过程并达成治疗建议的共识。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词触发工具使用：一种用于小型语言模型工具使用声明的廉价诊断方法
关键词匹配基准可能错误地赋予小型模型其从未执行过的工具使用能力。我们记录了一对结构相同的西班牙语安全语言模型中的此类假阳性问题，并提出了一套严格的廉价诊断方法。一个661.6M参数的模型（约65%为代码/技术文本；无专门的SFT）和一个1,109M参数的模型（以网络为主的多阶段课程；6B token的工具SFT）共享解码器、分词器和特殊标记，在宽松的工具使用指标上得分几乎相同（B4：0.660 vs. 0.650）。对训练示例的逐字检查可完全区分它们：600M模型在6个示例中（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：用于检索启发新研究的论文的基准
什么使伟大的科学家变得伟大？尽管AI系统开始在开放问题上取得进展，科学家们在感知新问题需要哪些埋藏在日益增长的研究档案中的先前想法方面仍远超AI。为了研究这种技能，我们参考了那些亲身知道哪些早期工作推动了他们已完成项目的研究人员，论文作为其中思想的指针。通过我们的自动化流程，使作者标注可扩展，我们构建了ScholarCatalyst，由184位207篇近期计算机科学论文的首席作者标注哪些候选论文确实或可能推动了他们的项目，并附有详细理由。我们引入了一个由作者提供的检索任务。（论文赞 9）
在 Hugging Face 查看
排行第十二：策略学习：基于强化学习的蒸馏动态系统研究
策略学习被认为可以减少灾难性遗忘，产生更稀疏的参数更新并提升泛化能力。然而，现有对监督微调和强化学习的比较通常同时改变多个因素，使得策略滚动的贡献难以分离。我们通过控制的强到弱蒸馏设置，独立改变策略滚动、token级KL方向和学习率，研究其影响。实验覆盖科学、医学和算术领域，分析揭示了蒸馏动态的复杂图景，其中策略滚动在不同情况下的作用各不相同。（论文赞 153）
在 Hugging Face 查看
