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 1093，趋势分 1043。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1093 · 趋势分 1043）
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 5115，趋势分 855。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5115 · 趋势分 855）
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 3016，趋势分 692。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3016 · 趋势分 692）
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 6213，趋势分 417。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6213 · 趋势分 417）
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 396，趋势分 384。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 396 · 趋势分 384）
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 16909，趋势分 343。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16909 · 趋势分 343）
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 2922，趋势分 334。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2922 · 趋势分 334）
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 325，趋势分 320。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 325 · 趋势分 320）
在 Hugging Face 查看
排行第九：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：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 700，趋势分 275。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 700 · 趋势分 275）
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 405，趋势分 261。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 405 · 趋势分 261）
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 659，趋势分 235。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 659 · 趋势分 235）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代LLM实现低延迟边缘服务编排
本文研究如何降低自然语言服务请求中的决策延迟。通过将Jev决策API集成到边缘服务编排中，提取4到8个有界意图字段，并应用共享验证器、准入策略和调度器，从而在保持服务完成的同时减少延迟开销。研究比较了Jev、两种自托管决策模型和三种托管大语言模型在8280个已验证请求上的性能，并在模拟执行和真实光通信的实时准入路径上进行了评估。（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
本文提出Ego2Act基准，用于评估视频生成模型在目标导向操作中的表现。该基准关注模型能否生成不仅视觉逼真，还能预测执行目标动作后环境动态演变的视频。现有基准主要针对单步短动作，而Ego2Act填补了多步物理推理在自我中心视频生成中的空白，要求模型通过规划多步现实操作来模拟正确执行以完成高级目标。（论文赞 21）
在 Hugging Face 查看
排行第三：MemFold：通过在线优化学习紧凑软记忆
本文提出MemFold方法，旨在优化长期个性化助理中的信息保留问题。该方法学习固定容量的软记忆，通过在线优化直接根据记忆支持的行为进行训练，而不是像传统方法那样依赖文本重建或模仿参考答案。这解决了信息保留与行动优化脱节的问题，避免了因历史文本积累导致的输入增长，同时保持了有限的接口。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：后训练与对齐技术综述
本文综述视频生成模型的后训练和对齐策略。尽管大规模预训练学习了强生成先验，但预训练模型在遵循人类意图、保持时间一致性、满足物理和安全约束方面仍不可靠。视频对齐面临独特挑战，如错误随时间累积、运动与外观耦合、多目标权衡及时间属性监督有限。文章系统分析了这些挑战，并探讨了适应预训练模型的策略。（论文赞 44）
在 Hugging Face 查看
排行第五：Persona Dosing：用于分级特质控制的校准激活引导
本文研究Persona Dosing方法，通过特质描述和请求的平均强度来控制语言模型。该方法在共享的描述条件FLAS控制器上专门化人格响应，并根据测量的特质表达校准其流时间。训练响应未与目标强度配对。在Llama-3.1-8B等模型上，PersonaDose在核心特质表达上相比对比激活加法有显著提升，并实现了校准的强度控制。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，小LoRA可修复
本文发现预训练Transformer在上下文引用跟踪中过早停止计算。13个基础模型仅可靠跟踪1.4到3.6行，额外预训练循环改善有限。通过在早期层添加任务训练的rank-8 LoRA（权重冻结），可扩展计算能力。例如Qwen3-8B在24行链上的准确率从15.5%提升至99%。LoRA启动中继机制，使程序行通过中间层传递链身份，冻结头逐步读取更远链内容。（论文赞 62）
在 Hugging Face 查看
排行第七：Honeycomb：视频世界模型的固定大小场景记忆表示
视频世界模型需持久场景记忆保证长时生成一致性，现有方法存储需求随生成增加。Honeycomb基于HexMemory，用低秩表示在固定大小内存中存储场景特征（含六个空间和时空平面）；前馈写入器将生成块映射为新平面特征，空间或时间范围扩展时， warp旧平面并保持维度，再通过置信度加权融合新特征。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：为高效智能体泛化标记可重用经验
多步智能体常基于扁平动作流训练，忽略任务间重复子过程；近期方法用LLM写技能但不存入权重，泛化能力受限。X-Tree从数据中恢复层次结构（无需LLM），类似文本分词器，通过动作跨度重用性评分合并规范动作，实现高效智能体泛化训练。（论文赞 42）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤板讨论轨迹的真实世界基准
多学科肿瘤板通过专家讨论整合多模态临床信息，但现有基准难捕捉真实讨论轨迹。OpenTumorBoard含611例患者、19157次讨论轮次（10个专家角色），数据来自YouTube公开录音；评估LLM回应真实临床问题或生成完整讨论并达成治疗共识两种场景。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词方法易失效：小语言模型工具使用主张的廉价诊断阶梯
关键词匹配基准可能错误判定小语言模型的工具使用能力。以西班牙安全语言模型为例，两个共享解码器的模型（6.6亿vs11亿参数）宽松指标得分接近，但训练示例逐字重现检查发现：6亿参数模型6/6生成有效工具调用，11亿参数模型0/6。研究提出严格廉价的诊断阶梯以验证工具使用主张。（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
科学家擅长发现推动新研究的 prior想法，AI仍有差距。ScholarCatalyst通过自动化流程，让184位 lead作者为207篇计算机科学论文标注哪些候选论文推动了其项目（附详细理由），构建了检索‘启发新研究论文’的基准任务。（论文赞 9）
在 Hugging Face 查看
排行第十二：在线还是离线学习？蒸馏动力学的系统研究
在线学习被认为能减少灾难性遗忘、提升泛化，但现有对比实验 varied多因素，难隔离 rollout策略影响。研究在可控强到弱蒸馏场景中，独立调整 rollout策略、 token级KL方向和学习率，跨Llama3、Qwen2.5及多任务，系统揭示蒸馏动力学中 rollout策略的复杂作用。（论文赞 164）
在 Hugging Face 查看
