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 1042，趋势分 996。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1042 · 趋势分 996）
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 5097，趋势分 888。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5097 · 趋势分 888）
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 2960，趋势分 675。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2960 · 趋势分 675）
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 6172，趋势分 408。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6172 · 趋势分 408）
在 Hugging Face 查看
排行第五：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 373，趋势分 362。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 373 · 趋势分 362）
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 2912，趋势分 349。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2912 · 趋势分 349）
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 16897，趋势分 347。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16897 · 趋势分 347）
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 694，趋势分 308。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 694 · 趋势分 308）
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 403，趋势分 281。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 403 · 趋势分 281）
在 Hugging Face 查看
排行第十：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 283，趋势分 278。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 283 · 趋势分 278）
在 Hugging Face 查看
排行第十一：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 392，趋势分 277。标签：computer-vision、visionhope。（点赞 392 · 趋势分 277）
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 653，趋势分 241。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 653 · 趋势分 241）
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
自然语言服务请求可能需要语言模型决策才能开始执行，这会消耗请求延迟预算的一部分。我们将Jev的决策导向API集成到边缘服务编排中，以减少这种开销，同时保持服务完成。集成的提取了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，考虑到请求时间线中决策等待的整个过程。我们比较了Jev和两个自托管决策模型，以及三个托管大型语言模型（LLMs）在8280个验证请求和实时准入路径上的表现，其中包含建模执行和真实光学通道。（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，这些模型不仅必须生成视觉上令人愉悦的帧，还必须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逐步指令。这导致多步骤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，通过执行多个真实世界操作。（论文赞 21）
在 Hugging Face 查看
排行第三：MemFold: 通过在轨优化学习紧凑软记忆以实现长期个性化
一个为同一用户服务很长时间的助手必须回答用户揭示的内容：哪些偏好仍然有效，哪些被修订，以及哪些约束现在适用。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相同。将信息保留为文本会使读者的输入随着保留的历史增长而增长，而将其压缩为固定数量的潜在向量则限制了接口，但通常是通过重建文本或模仿参考答案来训练的，这两者都是根据读者从未产生过的序列进行评分的。我们介绍了MemFold，它通过支持的行为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：对后训练和对齐的全面调查
视频生成已经从短、低质量的片段发展到高分辨率、长持续时间和复杂时空动态序列。尽管通过大规模预训练学习到了强大的生成先验，但预训练视频模型往往无法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，视频生成的对齐面临独特挑战，包括时间上的错误累积、运动-外观耦合、多目标权衡以及有限的时间属性监督。这些挑战促使采用系统化的后训练策略，适应预训练模型在视频生成中的对齐问题。（论文赞 44）
在 Hugging Face 查看
排行第五：Persona Dosing: 通过校准激活引导实现分级特质控制
一个激活引导系数设置干预强度，但请求特定程度的人格表达需要一个行为尺度。我们研究了Persona Dosing：通过人格描述和请求的平均强度来控制语言模型。PersonaDose专门针对人格响应，共享描述条件化的FLAS控制器，并在测量的人格表达上校准其流动时间。训练响应没有与请求的目标强度配对。在Llama-3.1-8B、Qwen3-8B和Gemma-3-4B上，PersonaDose将核心特质表达在Persona Vectors的一致地板75上，分别提高了33.2、18.（论文赞 40）
在 Hugging Face 查看
排行第六：Transformers提前思考太多，小型LoRA可以解决
预训练的transformers在跟随上下文参考时很少使用其深度。十三种基本模型可靠地跟随1.4-3.6行，进一步预训练增加的循环效果有限。在早期层级的任务训练rank-8 LoRA将所有模型权重冻结后扩展了这种计算。A task-trained rank-8 LoRA at one early layer extends this computation with all model weights frozen. Qwen3-8B improves from 15.5% （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，使用六个空间和时空平面在固定大小内存中存储场景特征。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，模型对先前平面进行扭曲并保持维度，然后通过置信度加权与新特征融合，以维持长序列视频生成的一致性，避免存储需求随生成过程增加。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：可重用经验的标记化以提升智能体泛化
本文针对多步智能体训练中忽视跨任务重复子程序的问题，提出X-Tree方法。通过评估动作片段的可重用性并合并规范序列，从数据本身恢复层次结构进行训练，无需调用大语言模型。该方法借鉴文本标记器构建词汇的原理，使智能体能够像人类一样自上而下规划可重用例程，提升训练效率与泛化能力。（论文赞 41）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹的真实基准
本文介绍OpenTumorBoard基准，包含611个患者案例和19,157轮讨论，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（LLM回应真实讨论中的临床问题）和委员会模拟（LLM生成完整讨论并达成治疗共识），旨在捕捉多模态临床观察和纵向患者历史整合的真实轨迹。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词匹配基准的开放性失效：小模型工具使用声明的诊断阶梯
本文揭示关键词匹配基准可能错误肯定小模型的工具使用能力。通过对比西班牙安全语言模型对，提出严格且廉价的诊断阶梯。在宽松指标下，6.616亿参数模型与11.09亿模型得分相近，但逐字复现检查显示前者在6/6示例中生成有效工具调用，后者为0/6，凸显训练数据差异对工具使用泛化的关键影响。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启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推动新项目的先前思想。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的推动作用及理由，引入检索任务，以作者提供的正负例评估系统感知关键思想的能力，探索AI系统在科学发现中的差距。（论文赞 9）
在 Hugging Face 查看
排行第十二：策略上或策略外学习？蒸馏动力学的系统研究
本文在强到弱蒸馏设置中控制系统研究策略上学习的影响，独立变化策略、令牌级KL方向和学习率，覆盖Llama3和Qwen2.5模型及科学、医疗和算术推理任务。分析揭示策略在蒸馏动力学中的复杂作用，澄清其与灾难性遗忘、参数更新稀疏性和泛化改善的关系。（论文赞 154）
在 Hugging Face 查看
