Hugging Face 模型趋势榜和每日论文。
模型
排行第一：Audio8-ASR-Infinite（语音识别）
Hugging Face 趋势榜上的模型，任务类型是语音识别，点赞 1891，趋势分 1515。标签：audio8_asr_infinite、text-generation、streaming、realtime、speech-recognition。（点赞 1891 · 趋势分 1515）
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 4689，趋势分 1387。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4689 · 趋势分 1387）
在 Hugging Face 查看
排行第三：TeleOCR（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 1102，趋势分 879。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 1102 · 趋势分 879）
在 Hugging Face 查看
排行第四：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 2582，趋势分 875。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2582 · 趋势分 875）
在 Hugging Face 查看
排行第五：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 574，趋势分 555。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 574 · 趋势分 555）
在 Hugging Face 查看
排行第六：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 2720，趋势分 545。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2720 · 趋势分 545）
在 Hugging Face 查看
排行第七：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 563，趋势分 408。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 563 · 趋势分 408）
在 Hugging Face 查看
排行第八：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 5729，趋势分 367。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5729 · 趋势分 367）
在 Hugging Face 查看
排行第九：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 16656，趋势分 367。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16656 · 趋势分 367）
在 Hugging Face 查看
排行第十：Ternary-Bonsai-2-27B-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 2308，趋势分 320。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2308 · 趋势分 320）
在 Hugging Face 查看
排行第十一：Qwen-Image-2.1-viggle-turbo（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 454，趋势分 309。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 454 · 趋势分 309）
在 Hugging Face 查看
排行第十二：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 318，趋势分 308。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 318 · 趋势分 308）
在 Hugging Face 查看
论文
排行第一：记忆是一种推导：长期Agent中的分布式证据悖论
长期运行的LLM Agent会将过去交互压缩为持久记忆供后续任务使用，这带来‘记忆是否源于交互历史支持内容’的推导问题——相关证据可能分散在早期交互中，压缩可能引入历史未确立的关系，导致有效记忆因引用遗漏证据看似无支撑，或单个支持事实组合成历史未确立的更强陈述，论文刻画了这一问题的三个耦合要求（论文赞 4）
在 Hugging Face 查看
排行第二：在线策略蒸馏中的离线教师问题
在线策略蒸馏（OPD）中，学生从自身策略生成的轨迹学习，但这些轨迹对教师是离线的。教师原本优化自身策略的前缀延续，OPD中需监督学生生成的前缀，且前缀越长教师延续性能越差。论文提出Student-COnditioned Updates of the Teacher（SCOUT）方法解决这一问题（论文赞 3）
在 Hugging Face 查看
排行第三：反事实视频生成助力可扩展人形机器人loco-manipulation
视觉模仿是教授人形机器人loco-manipulation技能（如携带多样物体）的有前景路径，但收集多样高质量交互视频（如清晰全身和无遮挡互动）存在障碍。论文提出PRISM框架，通过从少数真实视频生成数百个多样‘反事实’人类-物体交互视频，扩增成大规模训练集，实现实到仿到实的可扩展训练
在 Hugging Face 查看
排行第四：AgentTell：浏览器使用Agent中的行为侧信道泄漏
浏览器使用Agent在网站间移动时会携带上下文信息，可能泄露用户隐私——比如从一个网站获取用户隶属关系等私人信息后，在另一个网站选择特定选项时无意泄露。论文定义并研究了此类行为侧信道泄漏问题，即Agent动作无意中泄露先前获取的私人信息
在 Hugging Face 查看
排行第五：PreviewDiff：扩散潜变量上的多模态批评者引导搜索
扩散模型能生成高质量图像和视频，但在物体数量、属性绑定等组合细节上仍不足。常见的Best-of-N采样仅能从完成输出中选择，无法修复有潜力但失败的生成轨迹。论文提出PreviewDiff，一种无训练的测试时搜索方法，将扩散采样转化为对中间潜变量的多模态批评者引导搜索（论文赞 4）
在 Hugging Face 查看
排行第六：是什么让循环语言模型中的递归有效？
循环语言模型（LoopLMs）通过参数共享增加计算深度，可在不增加参数的情况下扩展推理计算，但何时额外递归有益、架构选择如何影响有效性尚不清晰。论文通过受控实验研究递归的帮助场景、应用位置及条件影响，发现其能提升训练范围外的推理性能，但会降低知识任务表现（论文赞 7）
在 Hugging Face 查看
排行第七：分数状态空间转换用于长序列建模
本文提出FRAC，一种基于分数动力学的有选择性状态空间模型，用幂律长记忆替代指数遗忘，通过有限状态的对数间距指数模式近似重尾目标核，将分数记忆转化为高效的循环模块。（论文赞 10）
在 Hugging Face 查看
排行第八：周期性弱区：分块KV缓存压缩的相位敏感性
本文研究分块KV缓存压缩在长上下文推理中的相位敏感性问题，发现同一信息在不同相位下检索难度差异显著，最大可达40个百分点，揭示了压缩引入的位置坐标对模型性能的影响。（论文赞 97）
在 Hugging Face 查看
排行第九：Org-Agent：超越个人助手的组织代理
本文提出Org-Agent框架，研究语言模型代理在组织中协调多用户请求并利用分布式知识的能力，强调跨用户交互与决策、记忆与知识利用的双重能力及其组织约束。（论文赞 5）
在 Hugging Face 查看
排行第十：智能体能否为其他智能体设计库？
本文引入LibraryDesignBench基准，评估智能体设计库的能力，通过两阶段任务测试其在15个任务、4种语言中实现完整功能库的能力，并由其他用户智能体评估其正确性与简洁性。（论文赞 8）
在 Hugging Face 查看
排行第十一：同家族在线策略蒸馏的缩放特性
本文研究在线策略蒸馏在不同模型规模间的缩放特性，发现早期训练动态呈现统一的有用迁移阶段，学生模型的保留准确率随反KL散度的平方根近似线性上升。（论文赞 213）
在 Hugging Face 查看
排行第十二：持续学习的学习动态：数据归属、遗忘与可塑性损失的统一视角
本文提出持续学习中更新-行为交互的统一框架，通过逐token和逐层分解揭示学习一个token如何改变另一个预测，分离softmax力、共享读出几何和残差连接，揭示两种交互通道。（论文赞 5）
在 Hugging Face 查看
