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 1062，趋势分 1016。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1062 · 趋势分 1016）
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 5109，趋势分 876。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5109 · 趋势分 876）
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 2975，趋势分 669。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2975 · 趋势分 669）
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 6190，趋势分 410。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6190 · 趋势分 410）
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 384，趋势分 373。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 384 · 趋势分 373）
在 Hugging Face 查看
排行第六：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 16900，趋势分 342。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16900 · 趋势分 342）
在 Hugging Face 查看
排行第七：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 2913，趋势分 342。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2913 · 趋势分 342）
在 Hugging Face 查看
排行第八：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 308，趋势分 303。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 308 · 趋势分 303）
在 Hugging Face 查看
排行第九：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 696，趋势分 283。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 696 · 趋势分 283）
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 393，趋势分 278。标签：computer-vision、visionhope。（点赞 393 · 趋势分 278）
在 Hugging Face 查看
排行第十一：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 404，趋势分 267。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 404 · 趋势分 267）
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 657，趋势分 240。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 657 · 趋势分 240）
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和调度器，在请求时间线上考虑决策等待时间，对比了多种决策模型的性能。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act：评估自我中心视频生成中的目标导向操作
提出Ego2Act基准，用于评估视频生成模型在自我中心视角下对多步骤物理推理和目标导向操作的模拟能力。该基准关注高阶目标实现所需的复杂操作序列，弥补现有评测在多步操作方面的不足。（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
提出MemFold方法，通过在线策略优化学习用于长上下文个性化的紧凑软记忆。该方法在固定预算下优化记忆行为支持，避免传统方法中信息压缩导致的表达偏差，提升个性化响应质量。（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
综述视频生成模型的后训练与对齐技术，分析其在高质量长视频生成中的挑战。指出视频生成在对齐、时间一致性、物理约束等方面的问题，并探讨系统性微调策略以提升模型对人类意图的理解能力。（论文赞 44）
在 Hugging Face 查看
排行第五：人格剂量控制：分级特质调控的激活引导
提出PersonaDose方法，通过特质描述和请求强度控制语言模型的人格表达。该方法在不依赖目标强度标注的情况下，通过校准激活引导实现更精确的特质控制，显著提升核心特质表达效果。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，Tiny LoRA修复它
研究发现预训练Transformer在上下文中跟随参考信息的能力有限，提出在早期层添加低秩微调（LoRA）的方法，显著提升模型在长链推理任务中的准确率，验证了LoRA对Transformer计算深度的增强效果。（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。现有空间记忆通过累积RGB观测或潜在特征，随着生成过程存储需求增加。本文提出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，包含六个空间和时空平面。前馈写入器将每个生成的片段映射到新的平面特征中，当空间覆盖或时间范围扩大时，通过保持维度并融合新特征来调整之前的平面。（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复用经验分词方法
多步骤智能体通常在平坦的动作流上进行训练，SFT和RLVR对每个标记赋予相同的权重，忽略了跨任务重复出现的子程序和人类通过可复用的例行程序进行自上而下规划的层次结构。这种结构未被充分利用，平坦训练未能充分使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，未体现在权重中，因此其优势无法泛化到检索之外。本文从数据本身恢复这种层次结构并进行训练，无需调用LLM。（论文赞 41）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹的现实基准
多学科肿瘤讨论会通过专家讨论整合多模态临床观察和长期患者病史，但现有基准很少捕捉这些现实轨迹。本文引入OpenTumorBoard，一个包含611个患者案例和19,157个讨论回合的基准，涵盖十个专家角色，数据来自YouTube上12,534分钟的公开肿瘤讨论录音。该基准评估两种场景：SPECIALIST TURN，即LLM对实际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：关键词触发器失效：用于小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会错误地将小模型标记为执行了工具使用。本文记录了一个西班牙语安全语言模型匹配架构对中的此类误判，并提出一套严格的廉价诊断方法。一个661.6M参数模型（约65%为代码/技术文本；无专门的SFT）和一个1,109M模型（以网络为主的多阶段课程；6B标记的工具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两者：600M模型在6个示例中均能生成有效的工具调用和泛化参数（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
是什么让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，科学家仍远超AI，能够感知到新问题需要哪些被埋藏在不断增长的研究档案中的先前想法。为研究这一技能，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。通过自动化流程使作者标注可扩展，我们构建了ScholarCatalyst，由207篇近期计算机科学论文的184位主要作者标注哪些候选论文确实或可能推动了他们的项目，每篇均附有详细理由。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：策略学习还是离线策略学习？一种系统性研究蒸馏动态的方法
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高泛化能力。然而，现有对监督微调和强化学习的比较同时改变了多个因素，使得策略滚动的贡献难以分离。本文在受控的强到弱蒸馏设置中研究策略滚动的影响，通过独立调整策略滚动、标记级KL方向和学习率，覆盖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。分析揭示了蒸馏动态的复杂图景，其中策略滚动在不同场景下表现出不同的作用。（论文赞 154）
在 Hugging Face 查看
