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 4871，趋势分 1189。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4871 · 趋势分 1189）
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 1235，趋势分 894。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 1235 · 趋势分 894）
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 2720，趋势分 778。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2720 · 趋势分 778）
在 Hugging Face 查看
排行第四：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 628，趋势分 431。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 628 · 趋势分 431）
在 Hugging Face 查看
排行第五：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 2794，趋势分 429。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2794 · 趋势分 429）
在 Hugging Face 查看
排行第六：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 384，趋势分 381。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 384 · 趋势分 381）
在 Hugging Face 查看
排行第七：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 5872，趋势分 371。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5872 · 趋势分 371）
在 Hugging Face 查看
排行第八：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 16734，趋势分 345。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16734 · 趋势分 345）
在 Hugging Face 查看
排行第九：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 345，趋势分 331。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 345 · 趋势分 331）
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 504，趋势分 292。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 504 · 趋势分 292）
在 Hugging Face 查看
排行第十一：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 604，趋势分 287。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 604 · 趋势分 287）
在 Hugging Face 查看
排行第十二：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 2335，趋势分 261。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2335 · 趋势分 261）
在 Hugging Face 查看
论文
排行第一：稀疏奖励计数：多奖励RL的密度感知奖励聚合
研究多奖励强化学习中奖励归一化导致的学习进度不均问题，通过优势能量分析揭示批次层面的信号不平衡，并提出基于活跃组密度的奖励校准方法。（论文赞 4）
在 Hugging Face 查看
排行第二：Argo-Bench：企业级工作流数据代理评估
构建包含210个数据科学任务的评估框架，模拟纽约市食品配送平台的真实规模，评估数据代理在跨表推理和统计分析中的表现。（论文赞 1）
在 Hugging Face 查看
排行第三：按故障付费，而非流量：无标签的多智能体工作流优化
针对多智能体工作流构建中的任务分解和代理选择难题，提出无需参考答案的故障定位方法，实现高效工作流优化。
在 Hugging Face 查看
排行第四：可信AI评审的关键缺失：从修辞鲁棒性到SciCore评审
提出修辞鲁棒性概念，构建包含1260个手稿版本的RobustReview基准，评估AI评审在内容改写下的稳定性与区分能力。（论文赞 1）
在 Hugging Face 查看
排行第五：世界观察者：持续世界建模的联合行动者-观察者生成
提出World Observer模型，通过分离观察与行动，实现对超出当前视角区域的持续世界状态建模与动态跟踪。（论文赞 17）
在 Hugging Face 查看
排行第六：基于推理与反思的个性化图像生成
构建首个基于用户历史数据的个性化图像生成基准，评估生成图像在目标一致性、视觉质量和用户可区分性方面的表现。
在 Hugging Face 查看
排行第七：Prompt2Skill: 从自然语言指令中无监督优化技能
该论文研究如何从自然语言指令中无监督地优化大型语言模型使用的技能，以提升模型在特定领域的性能。现有专家编写的技能成本高且未针对具体模型优化，而新任务可能超出现有技能库范围。论文提出通过反思自动化优化技能，但需要特定训练数据支持。
在 Hugging Face 查看
排行第八：FlexRouter: 学习互补模型集以灵活路由LLM
现有大语言模型路由方法独立评分模型并选择前k个，忽略模型相关性并固定计算预算，导致选择冗余模型。FlexRouter提出显式建模模型互补性的路由框架，优化答案覆盖率，最大化至少一个模型正确响应的概率，更符合实际推理流程中多个候选输出的处理方式。（论文赞 1）
在 Hugging Face 查看
排行第九：针对黑盒LLM的受控解码攻击
操纵生成过程中的下一个词概率可绕过大语言模型的安全对齐。现有方法依赖模型权重或数值概率，不适用于仅返回采样文本的接口。从采样输出重建概率存在稀疏噪声和高查询成本。研究发现成功越狱轨迹中的分布变化集中在少数位置，从而提出选择性控制策略。（论文赞 1）
在 Hugging Face 查看
排行第十：预训练一次，路由任意：迈向LLM路由的基础模型
大语言模型路由旨在为每个查询选择最合适的模型，提升推理的质量与效率权衡。现有路由器通常通过局部拟合学习，需针对特定查询负载和候选池优化，环境变化时需额外监督或重训练。论文提出从基础模型视角出发，学习可泛化到不同任务、模型和部署条件的可复用路由能力。（论文赞 1）
在 Hugging Face 查看
排行第十一：联合跨模态视频音频生成与编辑的统一形式
视频和音频常被共同感知，但多数生成模型孤立处理。论文探讨联合建模两种模态、相互生成或耦合编辑的方法，围绕输出在时间和语义上如何保持跨模态一致的问题。提出统一公式，将联合生成、跨模态生成和联合编辑视为单一音频-视觉对分布上的三个问题，并建立五维设计分类法。（论文赞 1）
在 Hugging Face 查看
排行第十二：基于代理先验的策略学习
从少量示范学习的机器人需要两种泛化能力：组合泛化重新组合技能解决新任务，技能泛化使每个技能的策略在新情境中工作。两者相互依赖，但组合与技能调用间信息丢失。论文提出利用每个策略的结构先验作为组合与技能之间的接口，结构先验决定技能适用性，组合通过名称、指令等描述感知技能。（论文赞 18）
在 Hugging Face 查看
