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 1158，趋势分 1098。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1158 · 趋势分 1098）
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 5142，趋势分 826。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5142 · 趋势分 826）
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 3088，趋势分 708。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3088 · 趋势分 708）
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 6268，趋势分 425。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6268 · 趋势分 425）
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 419，趋势分 400。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 419 · 趋势分 400）
在 Hugging Face 查看
排行第六：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 371，趋势分 363。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 371 · 趋势分 363）
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 16925，趋势分 343。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16925 · 趋势分 343）
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 2934，趋势分 320。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2934 · 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 401，趋势分 280。标签：computer-vision、visionhope。（点赞 401 · 趋势分 280）
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 708，趋势分 247。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 708 · 趋势分 247）
在 Hugging Face 查看
排行第十一：Xing4.0-29B-A4B-GGUF（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 239。标签：xing4_0、conversational、custom_code、base_model:XingChen-AGI/Xing4.0-29B-A4B、base_model:quantized:XingChen-AGI/Xing4.0-29B-A4B。（点赞 258 · 趋势分 239）
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 671，趋势分 234。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 671 · 趋势分 234）
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。集成的过程提取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时间。（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吸引人的帧，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简短操作或分步指令。这导致多步物理推理，特别是egocentric视频生成中的规划未被充分探索，该领域需要规划来模拟正确的执行以实现高层次的目标，通过执行多个真实世界的操作来完成。（论文赞 25）
在 Hugging Face 查看
排行第三：MemFold: 通过联机优化学习紧凑软记忆以实现长期个性化
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进行操作，两者通常被优化为如果它们是的话。保留这些信息作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，但通常被训练为重构文本或模仿参考答案，两者都是根据读者从未产生的序列进行评分。MemFold优化固定预算软记忆以支持其行为。（论文赞 7）
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
视频生成从短、低质量的片段迅速进展到高分辨率、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，视频对齐面临独特的挑战，包括时间上的误差累积、运动-外观耦合、多目标权衡以及对时间属性的监督有限。这些挑战促使采用系统化的后训练策略来适应预训练模型。（论文赞 46）
在 Hugging Face 查看
排行第五：Persona Dosing: 通过校准激活引导分级特质控制
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专门化一个共享、描述条件化的FLAS控制器在人格响应上，然后在测量的特质表达上校准其流动时间。训练响应没有配对请求的目标强度。（论文赞 44）
在 Hugging Face 查看
排行第六：变换器不再过早思考，tiny LoRA可以修复它
预训练的变换器在跟随上下文参考时使用很少的深度。十三种基本模型可靠地跟随1.4到3.6行，更额外的预训练循环增加甚少。在早期层中的一个秩-8 LoRA扩展了这种计算，所有模型权重都被冻结。Qwen3-8B从15.5%提高到99%的精确度，适用于24行链；更长时间训练的LoRA可以达到50行。Ouro-1.4B在四轮后达到60行，在至少八轮后达到160行。LoRA启动了一个接力：程序行通过短范围的中层传递其链身份。冻结的头部读取逐步更靠上的链，移除父行注意力可以停止接力。冻结模（论文赞 64）
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，它基于HexMemory低秩表示，将场景特征存储在固定大小的记忆体中，包含六个空间和时空平面。前馈写入器将生成的每个视频块映射为新的平面特征。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其维度，然后通过置信度加权与新特征融合。该方法旨在解决现有空间记忆因累积RGB观测或潜在特征而导致的存储需求增长问题，以在长序列视频生成中维持一致性。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：标记可重用经验以高效提升智能体泛化
本文针对多步智能体在扁平动作流上训练的问题，提出X-Tree方法从数据本身恢复层次结构并加以训练，无需调用大语言模型。类似文本标记器通过计数构建词汇表，该方法根据可重用性对动作片段评分，并合并规范片段。这解决了现有方法忽视跨任务重复子程序及层次结构的问题，使训练能更充分利用稀缺轨迹内容，实现泛化增益而非仅依赖检索。（论文赞 48）
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次讨论轮次，涵盖十个专家角色，转录自YouTube公开肿瘤委员会录音。基准评估两种设置：专家轮次，即大语言模型回应真实讨论中的临床问题；委员会模拟，即生成完整来回讨论并达成治疗建议共识。该工作旨在捕捉多学科肿瘤委员会整合多模态临床观察和纵向患者历史的真实轨迹，弥补现有基准不足。（论文赞 13）
在 Hugging Face 查看
排行第十：关键词匹配基准的开放失效：小模型工具使用声明的廉价诊断阶梯
本文指出关键词匹配基准可能错误认可小模型未实际执行工具使用，并以一对西班牙安全语言模型为例展示此类假阳性。提出一个严格、廉价的诊断阶梯：通过逐字复现检查训练示例，完全区分了6.616亿参数模型和11.09亿参数模型的表现差异。该方法旨在揭示宽松工具使用度量的局限性，为小语言模型的工具使用声明提供可靠验证。（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，研究科学家如何感知档案中能推动新问题的先前思想。通过自动化流程让184位计算机科学论文通讯作者标注哪些候选论文促进其项目，并提供详细理由。引入检索任务，以作者提供的正负示例评估系统识别启发性论文的能力。该工作旨在模拟科学家从不断增长的研究档案中发掘关键思想的技能，为AI系统进步提供参考。（论文赞 11）
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
本文在强到弱蒸馏的受控设置中，独立变化滚动策略、令牌级KL方向和学习率，研究滚动策略对蒸馏动态的影响。基于Llama3和Qwen2.5模型家族及科学、医学和算术领域推理任务，分析揭示滚动策略在蒸馏中的微妙作用。该工作旨在隔离滚动策略的贡献，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 172）
在 Hugging Face 查看
