Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 4832，趋势分 1239。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4832 · 趋势分 1239）
在 Hugging Face 查看
排行第二：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 1215，趋势分 881。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 1215 · 趋势分 881）
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 2693，趋势分 789。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2693 · 趋势分 789）
在 Hugging Face 查看
排行第四：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 2772，趋势分 455。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2772 · 趋势分 455）
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 622，趋势分 447。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 622 · 趋势分 447）
在 Hugging Face 查看
排行第六：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 5838，趋势分 368。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5838 · 趋势分 368）
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 16718，趋势分 349。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16718 · 趋势分 349）
在 Hugging Face 查看
排行第八：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 337，趋势分 323。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 337 · 趋势分 323）
在 Hugging Face 查看
排行第九：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 595，趋势分 300。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 595 · 趋势分 300）
在 Hugging Face 查看
排行第十：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 494，趋势分 291。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 494 · 趋势分 291）
在 Hugging Face 查看
排行第十一：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 2333，趋势分 272。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2333 · 趋势分 272）
在 Hugging Face 查看
排行第十二：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 359，趋势分 252。标签：computer-vision、visionhope。（点赞 359 · 趋势分 252）
在 Hugging Face 查看
论文
排行第一：通过位置选择性自蒸馏训练LLM评判者
我们研究如何从自然语言反馈中训练LLM评判者，特别是在主观任务中，评判结果高度依赖评判者所调用的评估标准及其权重。主流方法（如基于结果的强化学习）仅根据最终评判的准确性为每个token分配一个标量，忽略了标准选择token的独立贡献和伴随偏好标签的丰富语言反馈。自蒸馏是一种利用这种语言反馈的自然方式，通过同一模型在反馈条件下作为教师模型，提供密集的指导。（论文赞 2）
在 Hugging Face 查看
排行第二：通过奖励加权传输蒸馏对一步生成模型进行对齐
一步生成模型能够通过单次网络评估实现高质量的视觉生成，但其训练后对齐较为困难：通用隐式生成器既不提供可计算的似然，也不提供去噪轨迹，且许多奖励是非微分的。我们提出奖励加权传输蒸馏（RWTD），一种仅需生成样本和标量奖励评估的训练后方法。与传统奖励倾斜参考分布对齐不同，RWTD构建一个自适应目标，混合独立倾斜的当前分布和参考分布。当前部分包含训练过程中发现的改进，而参考部分则保持原有特性。（论文赞 2）
在 Hugging Face 查看
排行第三：Tacit-TTS：从自回归解码到掩码预测的高效无文本语音克隆
具有自回归语义建模的TTS系统在零样本语音克隆任务中表现出色，且具有丰富的表达变化，但其顺序解码过程会带来较大的延迟。非自回归方法生成速度更快，但通常依赖更严格的参考条件，例如在推理过程中需要参考语音的文本。我们提出Tacit-TTS，一种高效的无文本零样本语音克隆系统，通过从IndexTTS2蒸馏获得。该模型用掩码非自回归生成替代自回归文本到语义的解码，引入无需训练的声学长度估计，并加速流匹配渲染器。（论文赞 6）
在 Hugging Face 查看
排行第四：BiasReducer：奖励模型的自适应偏见缓解框架
奖励模型对大语言模型（LLMs）的响应进行评分，并引导LLMs训练以符合人类偏好。然而，奖励模型可能偏向于表面属性，如响应长度或置信度，导致LLMs生成得分更高但并不更准确的响应。现有缓解方法要么重新训练奖励模型，要么对已知偏见（如偏好更长响应）应用固定修正。重新训练需要额外数据和计算资源，而现有编辑方法需要预先指定目标偏见并使用固定编辑策略。为此，我们提出BiasReducer，一个轻量级框架，仅对线性奖励头进行编辑以缓解偏见。（论文赞 13）
在 Hugging Face 查看
排行第五：BIABench：评估AI代理在真实生物图像分析任务中的表现
人工智能（AI）代理在自动化生物图像分析方面具有潜力，但目前尚无基准测试评估其是否能端到端完成真实世界的分析任务。这类任务对代理来说难度较大，因为2D图像、3D体积和延时序列通常太大，无法作为上下文读取，代理必须选择并运行分析代码、专用软件和渲染视图。已发表的研究为此能力提供了可测试性，因为每项研究都配对了原始图像和同行评审的结果。我们引入BIABench，一个包含16个任务的基准测试，这些任务从已发表的生物学研究中重构，保留了科学问题、成像数据和真实结果。任务涵盖11种分析（论文赞 4）
在 Hugging Face 查看
排行第六：DAGent：深度研究代理的评估后增长规划方法
深度研究任务要求代理在大规模知识空间中导航，综合多个来源的证据，并根据新发现调整计划。基于有向无环图（DAG）的多代理系统适合此场景，因为它们支持并行执行，并将每个子任务隔离在特定的依赖上下文中。然而，现有基于DAG的代理在执行前会生成任务级计划，仅在失败或证据缺失后进行修复。这种先规划后修正的策略对于深度研究来说较为脆弱：系统在证据最弱时最坚定，后续修正会浪费计算资源在本不应规划的分支上。我们提出一种评估后增长的规划方法以解决这一问题。（论文赞 2）
在 Hugging Face 查看
排行第七：MILO：通过协调多代理进化发现自动 harness
现代代理系统结合了AI模型和控制执行及环境交互的harness。harness设计强烈影响长期性能，但其组合搜索空间需要大量人力重复工作。已有自动化方法探索空间狭窄，仅优化提示或技能组件，或陷入固定、有剥削性的搜索策略。我们介绍了MILO（元进化岛协调），一种同时进化代理harness和发现策略的框架。MILO结合：（i）基于被拒绝突变的基于岛屿的层次 lineage 内存，使用不同的搜索策略探索不同的分支。（论文赞 13）
在 Hugging Face 查看
排行第八：提示引发的身份在多代理LLM系统中降低合作
多代理LLM系统越来越多地混合来自多个提供者的模型，但向代理暴露其底层模型身份显著降低了合作。我们展示了当代理知道彼此模型的家族时，群体会分裂成簇，代理倾向于与携带相同标签的其他代理互动，尽管任务本身并不奖励或要求这种分裂。我们定义这种分裂为派系化，并测量其在两个合作游戏和一个推理基准上的现象，涉及9到25个代理，来自最多5个开放权重模型家族。我们还展示了当宣布的流派标签与实际说话者匹配时，派系化现象会更加明显。（论文赞 2）
在 Hugging Face 查看
排行第九：基于项目响应理论的评分标准奖励
许多语言任务没有单一的答案可以自动检查。评分标准提供了评判响应这些任务的准则。对于强化学习，结果的判决必须组合成一个标量奖励。常见的方法是对满足的准则求和。不同的判决模式可能会收到相同的奖励，且固定的点编码每个准则应计数的程度，而不是其判决如何强烈区分当前轮次的输出。除了这种聚合问题，评判完整评分标准需要更多的裁判请求随着准则数量的增长。为解决这些限制，基于项目响应理论（RRT）测量质量并选择准则。（论文赞 10）
在 Hugging Face 查看
排行第十：谁说了什么，是否会被记住？评估跨会议持久的发言者归属
作为长期记忆的语音转录本必须保留单词和稳定的发言者身份。现有会议转录本度量要么忽略发言者，要么在每个录音中重新映射匿名发言者，因此无法衡量同一人是否在会议中保留同一身份。我们使用Speaker Identified cpWER（SI-cpWER）对语料库进行评估，该语料库在五个商业去标识化流程、两个开放学术基准和ThyVoice上覆盖了129个会议的CHiME-8 NOTSOFAR评估集。ThyVoice是我们端到端的参考系统。（论文赞 2）
在 Hugging Face 查看
排行第十一：MemLife：构建和推理长期第一人称视频记忆
长期第一人称视频使个性化AI助手能够推理日常生活。然而，随着视频历史记录增长到数百小时，持续数月或数年，重新处理原始剪辑对于每次查询都成为计算上的障碍。记忆系统提供了一种可扩展的替代方案，通过将视频压缩为文本表示，但在实际基准测试中往往失败：要么记忆无法保留关键证据，要么检索器因增长空间的检索竞争而无法定位相关条目。为解决这些挑战，我们引入了MemLife，一种构建基于实体的、第一人称文本节目并检索它们的记忆系统，通过时间戳和位置标记进行时间戳和位置标记。（论文赞 2）
在 Hugging Face 查看
排行第十二：SeLMRoute：大型语言模型路由中的概率语义证据
大型语言模型（LLM）路由旨在为每个传入查询选择最合适的模型。大多数现有路由器从查询嵌入、模型表示、偏好数据或类似示例的集群中学习此类决策。虽然这些方法可能有效，但用于路由的表示很少说明查询实际上需要什么。我们引入了SeLMRoute，一种路由框架，它将提取候选独立语义证据的学习和应用部署目标的过程分离。决策模型首先评估关于查询的可解释问题集，例如其推理要求和使用的语言类型。（论文赞 5）
在 Hugging Face 查看
