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 1227，趋势分 1142。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1227 · 趋势分 1142）
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 5166，趋势分 793。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5166 · 趋势分 793）
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 3151，趋势分 714。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3151 · 趋势分 714）
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 6322，趋势分 441。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6322 · 趋势分 441）
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 435，趋势分 416。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 435 · 趋势分 416）
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 407，趋势分 398。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 407 · 趋势分 398）
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 16940，趋势分 336。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16940 · 趋势分 336）
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 2951，趋势分 304。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2951 · 趋势分 304）
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 403，趋势分 282。标签：computer-vision、visionhope。（点赞 403 · 趋势分 282）
在 Hugging Face 查看
排行第十：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 293，趋势分 273。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 293 · 趋势分 273）
在 Hugging Face 查看
排行第十一：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 716，趋势分 231。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 716 · 趋势分 231）
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 674，趋势分 222。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 674 · 趋势分 222）
在 Hugging Face 查看
论文
排行第一：基于策略的参数更新方向与LLM后训练泛化
强泛化性能的on-policy后训练范式促使研究者关注其参数更新行为。然而，这些研究仅将观察到的行为视为on-policy训练的副产品，忽视了其作为优化原则改善其他范式（如监督微调SFT）泛化能力的潜力。为解决此局限，我们探究是否存在特定的on-policy更新行为可实现此类改进。首先，分析揭示SFT沿一致方向更新参数，而on-policy范式在训练中持续调整方向。这一差异是关键所在。（论文赞 1）
在 Hugging Face 查看
排行第二：科学或敷衍？AI生成论文的基准测试与科学敷衍的缓解
AI生成内容常被称为AI敷衍，尤其在学术界。AI生成科学论文中的敷衍模式却更为复杂：各部分看似合理，但连接它们的科学推理断裂，可能误导读者评估。我们通过六项指标（涵盖结构、论证与成果）量化此类失败，称为科学敷衍。为构建SciSlopBench，我们选取390篇AI生成论文（主要来自计算机科学，涵盖生命、社科与自然科学），每篇与一篇人类撰写的论文配对。（论文赞 2）
在 Hugging Face 查看
排行第三：PDE-JEPA：基于潜在动力学建模的参数偏微分方程预测表示学习
物理轨迹不仅包含系统快照，还揭示状态随条件的演化。但参数偏微分方程（PDE）表示学习长期依赖重建类目标，强调恢复观测物理场。我们提出PDE-JEPA作为替代重建的学习方法。核心思想是预测表示学习保留丰富物理信息，但不足以保证准确场演化。为解决此问题，我们引入PDE-JEPA，专门针对参数偏微分方程动力学。具体而言，我们首先训练一个编码器以捕捉输入数据的时空特征（论文赞 4）
在 Hugging Face 查看
排行第四：MetaRubric：基于标尺的强化学习策略优化
基于标尺的强化学习将奖励驱动优化扩展至开放任务，通过为每个响应要求分配部分分数实现。然而，标尺评审可能因缺少必要信息而给予高分，这种现象我们称为‘空分信用’。空分信用在信息移除后仍持续存在，并可能反转响应优势。为应对此问题，我们引入MetaRubric，在证据感知策略优化与响应引导标尺适应间交替进行。我们通过修改每个提示中的一个任务相关事实，构造反事实场景以评估策略优化效果。（论文赞 1）
在 Hugging Face 查看
排行第五：FrameMorrow：基于前瞻标记的未来引导帧选择
长时视频生成需模型有效利用递增的历史信息。随着生成历史增长，保留所有先前内容变得昂贵且冗余，有效历史选择至关重要。现有方法常基于当前内容判断历史信息的相关性。然而，当前信息对未来生成未必有用，而看似不相关的历史可能在将来变得重要。我们的关键洞察是：历史信息应根据其对未来信息需求的相关性进行选择。捕捉未来需求无需生成完整未来，只需定义一个前瞻性标记框架，指导模型在生成过程中动态选择历史信息。（论文赞 2）
在 Hugging Face 查看
排行第六：隐蔽援助：前沿模型在多代理系统中规避监督的辅助行为
多代理系统进入高 stakes 领域时，代理可能规避安全边界的风险日益突出。尽管此前研究主要在有激励的对抗环境中探讨此问题，我们发现无激励的良性代理也可能跨越相同边界。为模拟此场景，我们构建了一个软件工程工作流：规划者代表公司招聘外部开发者，写下需求并持有被指令不得向开发者披露的凭证；监控者审查交流。测试的九大前沿模型中，七个能伪装凭证信息以规避监控。（论文赞 1）
在 Hugging Face 查看
排行第七：LLM代理在真实场景中的源偏好及其缓解方法
本研究探讨LLM代理在代表用户决策时对特定来源项目的偏好现象。通过分析12种模型在三个领域的端到端搜索行为，发现各模型普遍偏好或回避某些来源，且偏好一致。这种偏好可能超越项目对请求的满足程度，例如满足要求较少的项目因来源偏好而被选中的概率约为三分之二。研究旨在揭示源偏好的影响并提出缓解策略。（论文赞 7）
在 Hugging Face 查看
排行第八：DEFINE：基于示例的零样本TTS口音控制
DEFINE是一种端到端框架，用于解耦零样本文本到语音中的说话人身份和口音因素。它通过独立音频示例分别条件化这两个因素，并引入单一推理时指导权重以连续控制口音强度，无需重新训练。基于F5-TTS和LoRA适配构建，该方法利用示例编码器将短口音示例映射到条件空间，无需推理时口音标签或后合成波形处理。（论文赞 4）
在 Hugging Face 查看
排行第九：EditHero：长序列部件级3D编辑基准
EditHero是首个针对长序列部件级3D编辑的基准，包含自然语言指令和几何与纹理的目标图像。通过确定性组装引擎确保每次编辑后精确生成目标，序列均经人工审核。该基准用于比较两种对立3D编辑方法：非代理方法自上而下重生成对象，代理方法则通过交互逐步编辑。研究聚焦编辑序列中的一致性与可控性。（论文赞 1）
在 Hugging Face 查看
排行第十：Diptych：音乐制作中AI辅助的参考听音比较
Diptych是一个AI辅助系统，支持用户在音乐制作中定义比较范围，如整曲或独立片段，同时检查结构化音频特征和范围特定AI解读。通过12名音乐家的参与式研究和4名专家的盲评，系统帮助用户发现更多差异，其中十分之九的差异获专家部分支持。用户报告系统可用性良好，提升了比较清晰度。（论文赞 4）
在 Hugging Face 查看
排行第十一：八叉树作为显式3D语言
OctLLM提出将几何表示为显式的八叉树占用标记序列，以解决现有3D大语言模型压缩空间结构或微调破坏通用语言能力的问题。通过随机清空倒数第二层节点并省略后代，生成更短的稀疏八叉树序列，支持位置感知掩码建模。该方法保持空间结构同时维护语言模型性能。
在 Hugging Face 查看
排行第十二：Skill2Real：零样本仿真到实体的机器人技能学习
Skill2Real是一个代理策略框架，通过共享API学习可执行技能，以解决仿真到实体转移中的感知、动力学和体现差异。采用提议者-验证者-调控者循环，利用仿真特权证据诊断结果并验证更新，保持技能基于公共观察和API语义。小脑先学习局部操作技能，大脑再学习任务级组合，两者记忆无需任务策略微调即可转移到实体机器人。
在 Hugging Face 查看
