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 998，趋势分 956。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 998 · 趋势分 956）
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 5080，趋势分 914。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5080 · 趋势分 914）
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 2941，趋势分 683。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2941 · 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 6144，趋势分 396。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6144 · 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 2903，趋势分 357。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2903 · 趋势分 357）
在 Hugging Face 查看
排行第六：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 363，趋势分 352。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 363 · 趋势分 352）
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 16888，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16888 · 趋势分 348）
在 Hugging Face 查看
排行第八：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 332。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 691 · 趋势分 332）
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 297。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 297）
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 391，趋势分 276。标签：computer-vision、visionhope。（点赞 391 · 趋势分 276）
在 Hugging Face 查看
排行第十一：Kolibri-1（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 258，趋势分 253。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 258 · 趋势分 253）
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 651，趋势分 246。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 651 · 趋势分 246）
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。集成方法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，考虑请求时间线中决策等待的影响。本文在8280个验证请求和一个实时准入路径上，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，还必须预测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，而对多步骤物理推理的探索不足，尤其是在需要规划以模拟正确执行以完成高层目标的自我为中心视频生成中。本文引入Ego2Act，一个目标导向的基准。（论文赞 21）
在 Hugging Face 查看
排行第三：MemFold：通过策略优化学习紧凑的软记忆用于长上下文个性化
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信息进行回答，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。保留这些信息并不等于根据它们进行操作，而这两者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输入随历史记录增长，而将其压缩为固定数量的潜在向量虽然限制了接口，但通常仅用于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
视频生成技术已迅速从短而低质量的片段发展到具有复杂时空动态的高分辨率、长时序视频。尽管通过大规模预训练学习了强大的生成先验，但预训练的视频模型通常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的后训练策略，以适应预训练模型。（论文赞 44）
在 Hugging Face 查看
排行第五：个性特征剂量：用于分级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。本文研究个性特征剂量：通过特征描述和请求的平均强度控制语言模型。PersonaDose在个性响应上专门化了一个共享的、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在个性向量一致性基线75的情况下，分别比对比激活添加方法提高了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模型过早停止思考，而一个微小的LoRA可以解决
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。十三个基础模型仅能可靠地遵循1.4到3.6行内容，额外的预训练循环增加不多。一个在早期层进行任务训练的秩8 LoRA可以扩展这一计算，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%；一个经过更长时间训练的LoRA可以处理50行。Ouro-1.4B在四次循环后可处理60行，八次循环后至少可处理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。（论文赞 62）
在 Hugging Face 查看
排行第七：Honeycomb：恒定大小的场景记忆表示
视频世界模型需要持久的场景内存，以在长时间视频生成过程中保持一致性。现有空间记忆积累RGB观察或潜在特征，随着生成的推进，存储需求不断增加。我们引入了Honeycomb，它基于HexMemory构建，这是一种低秩表示，用于在固定大小的内存中存储场景特征，总共有六个空间及时空平面。馈送写入器将每个生成的片段映射到新的平面特征。当空间覆盖或时间范围扩展时，我们会将之前的平面进行变形，同时保持其维度，然后通过置信加权将它们与新的特征融合。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：从可复用经验中抽离标记
多步骤代理在平坦的动作流上进行训练：SFT和RLVR对所有标记均匀加权，忽略了跨任务重复的子程序，这些子程序使人类能够从上往下规划，从可复用的常规中获益。这种结构未被充分利用，平坦训练方式未能完全利用其内容允许的每个稀缺轨迹的潜力。最近的一些代理确实使用了这种结构，但仅在由LLM编写的技能上下文中，从未在权重中使用，因此它们的收益无法 generalize到检索。我们则从数据中本身恢复这种结构并进行训练，无需任何LLM调用。类似于文本分词器，这些分词器通过计数构建词汇表，我们（论文赞 41）
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纵向患者病史，但基准很少捕捉这些真实世界轨迹。我们引入了OpenTumorBoard，包含611个患者案例和19,157次讨论转 across ten个专业角色，从12,534分钟公开可用的肿瘤委员会录音中提取。这些基准评估两种设置：SPECIALIST TURN，在实际讨论中提出的临床重要问题由LLM响应；BOARD SIMULATION，在实际讨论中生成整个来回对话并就治疗方案推荐达成共识。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词集失败：小型语言模型工具使用声明的廉价诊断方法
基于关键词匹配的基准可能会为小型模型从未执行过的工具使用赋予信用。我们记录了一个这样的误报案例，并提出了一种严格的廉价诊断阶梯。一个661.6M参数的模型（约65%的代码/技术文本；没有专门的SFT）和一个1,109M参数的模型（网络驱动的多阶段课程；6B-token工具-SFT）共享解码器、分词器和特殊标记，在宽松工具使用指标（B4：0.660 vs. 0.650）上几乎得分相同。逐字再现检查将两者完全分开：600M模型在6/6示例中发出有效工具调用；1B模型在所有检查点0（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的基准
伟大的科学家之所以伟大，甚至当AI系统在解决开放问题时远远落后于他们时，他们仍然能够敏锐地感知到哪篇先前的工作埋藏在不断增长的科研档案中，为新问题提供了必要的灵感。为了研究这种技能，我们借鉴了知道哪些先前工作推动了他们完成项目的研究人员，以论文作为指向内部想法的指针。我们使用自动化管道使作者注释可扩展，构建了ScholarCatalyst，由184名计算机科学论文的领先作者标注哪些候选论文可能推动了他们的项目，每个都提供了详细的理由。我们引入了一个带有作者提供的检索任务。（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
在线学习被认为可以减少灾难性遗忘，产生更稀疏的参数更新，并提高泛化能力。然而，现有比较同时 varying许多因素，使得仅能孤立出滚动策略的影响。我们在一个强到弱的蒸馏设置中独立研究了滚动策略的影响，通过在Llama3和Qwen2.5模型家族以及涵盖科学、医学和算术领域的推理任务中，独立 varying 滚动策略、token-level KL方向和learning rate。我们的分析揭示了一个复杂的蒸馏动力学图景，其中滚动策略的影响取决于其他因素。（论文赞 153）
在 Hugging Face 查看
