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 1109，趋势分 1058。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1109 · 趋势分 1058）
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 5122，趋势分 852。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5122 · 趋势分 852）
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 3032，趋势分 695。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3032 · 趋势分 695）
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 6229，趋势分 421。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6229 · 趋势分 421）
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 402，趋势分 389。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 402 · 趋势分 389）
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 16911，趋势分 344。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16911 · 趋势分 344）
在 Hugging Face 查看
排行第七：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 337，趋势分 330。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 337 · 趋势分 330）
在 Hugging Face 查看
排行第八：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 2926，趋势分 329。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2926 · 趋势分 329）
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 394，趋势分 279。标签：computer-vision、visionhope。（点赞 394 · 趋势分 279）
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 268。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 700 · 趋势分 268）
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 407，趋势分 248。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 407 · 趋势分 248）
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 660，趋势分 235。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 660 · 趋势分 235）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大语言模型实现低延迟边缘服务编排
本文提出将Jev的决策导向API集成到边缘服务编排中，以减少自然语言服务请求的决策延迟。该方法提取4到8个有界意图字段，应用共享验证器、准入策略和调度器，并在请求时间线中考虑决策等待。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个已验证请求上的表现，并在具有模拟执行和真实光学链路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：评估以自我为中心视频生成中的目标导向操作
本文介绍Ego2Act基准，旨在评估视频生成模型在目标导向操作中的能力。该基准关注多步物理推理，要求模型生成以自我为中心的视频，模拟执行多个现实世界操作以实现高级目标。与现有基准主要关注单步动作或逐步指令不同，Ego2Act强调环境在目标导向行动下的动态演化，为视频生成模型作为具身规划和学习的世界模拟器提供评估框架。（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内存以实现长上下文个性化
MemFold提出一种优化固定预算软内存的方法，用于长期服务同一用户的助手。该方法通过在线策略优化，直接根据内存支持的行为进行训练，而不是重建文本或模仿参考答案。MemFold旨在处理用户偏好、修订和约束的演变，避免因保留历史信息而导致输入文本无限增长的问题，同时通过潜在向量压缩信息以保持接口稳定。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：训练后处理与对齐技术综述
本文综述视频生成模型的训练后处理和对齐技术。视频生成已从短低质量片段发展到高分辨率长序列，但预训练模型在遵循人类意图、保持时间连贯性和满足物理安全约束方面仍存在挑战。综述分析了视频对齐的独特问题，如错误随时间累积、运动外观耦合、多目标权衡和时间属性监督有限，并探讨系统性的训练后策略以适配预训练模型。（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
PersonaDose研究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。该方法专门化一个共享的描述条件FLAS控制器，并针对测量的人格表达校准其流时间。训练响应不与请求的目标强度配对。在Llama-3.1-8B、Qwen3-8B和Gemma-3-4B模型上，PersonaDose在人格向量一致性底线75分时，将核心特质表达分别提高33.2、18.3和17.8点，优于对比激活加法。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，微小LoRA可修复
研究发现预训练Transformer在上下文中跟踪引用时仅使用少量深度。13个基础模型可靠跟踪仅1.4到3.6行，额外预训练循环改善有限。在早期层添加任务训练的rank-8 LoRA，冻结所有权重可扩展计算。Qwen3-8B在24行链上的准确率从15.5%提升至99%；更长训练的LoRA可达50行。Ouro-1.4B经过四个循环达60行，八个循环至少160行。LoRA启动接力：程序行通过中间层传递链身份，冻结头逐步读取链上游，移除父行注意力会停止接力。（论文赞 63）
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
提出Honeycomb视频世界模型，基于HexMemory低秩表示，使用固定大小的内存存储场景特征，包含六个空间和时空平面，通过前馈写入器将生成的片段映射到新平面，并在空间覆盖或时间范围扩展时保持维度不变，融合新特征。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：可复用经验的分词用于高效代理泛化
提出X-Tree方法，从数据中恢复任务中的层次结构，通过评估动作片段的可复用性进行合并，训练时无需语言模型调用，从而更充分地利用轨迹内容，提升代理在多步任务中的泛化能力。（论文赞 42）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹基准
构建OpenTumorBoard基准，包含611个患者案例和19,157条讨论记录，涵盖十种专科角色，基于公开肿瘤讨论视频转录，评估LLM在专科讨论响应和治疗方案共识生成中的表现。（论文赞 11）
在 Hugging Face 查看
排行第十：Keyword揭示工具使用声明的失败开放性
发现小语言模型在工具使用评估中存在误报，提出一套廉价诊断阶梯，通过检查训练样本的逐字复现能力区分模型真实工具调用能力，揭示现有评估方法的局限性。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：启发新研究的论文检索基准
构建ScholarCatalyst基准，通过自动化流程让184位计算机科学论文作者标注哪些先前论文推动了其项目，研究科学家识别关键灵感来源的能力，用于评估检索系统。（论文赞 9）
在 Hugging Face 查看
排行第十二：在线策略还是离线策略？蒸馏动态的系统研究
在强到弱蒸馏设置中，系统研究 rollout 策略对 distillation 动态的影响，独立变化 rollout 策略、KL 方向和学习率，分析 Llama3 和 Qwen2.5 模型在科学、医学和算术任务中的表现。（论文赞 168）
在 Hugging Face 查看
