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 5003，趋势分 1049。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5003 · 趋势分 1049）
在 Hugging Face 查看
排行第二：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 2839，趋势分 746。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2839 · 趋势分 746）
在 Hugging Face 查看
排行第三：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 773，趋势分 743。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 773 · 趋势分 743）
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 666，趋势分 399。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 666 · 趋势分 399）
在 Hugging Face 查看
排行第五：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 5990，趋势分 392。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5990 · 趋势分 392）
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 2835，趋势分 379。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2835 · 趋势分 379）
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 16801，趋势分 353。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16801 · 趋势分 353）
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 366，趋势分 350。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 366 · 趋势分 350）
在 Hugging Face 查看
排行第九：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 537，趋势分 282。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 537 · 趋势分 282）
在 Hugging Face 查看
排行第十：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 376，趋势分 261。标签：computer-vision、visionhope。（点赞 376 · 趋势分 261）
在 Hugging Face 查看
排行第十一：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 258，趋势分 253。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 258 · 趋势分 253）
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 624，趋势分 251。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 624 · 趋势分 251）
在 Hugging Face 查看
论文
排行第一：Ego2Act：评估自视点视频生成中的目标导向操作
视频生成模型正被用作体感规划和学习的世界模拟器。为了有效实现这一点，这些模型不仅需要生成视觉上吸引人的帧，还需要预测执行目标导向操作时环境如何动态演变。然而，现有基准主要关注单一短动作或逐步指令的评估，而多步物理推理在自视点视频生成中尤其未被充分探索。我们提出了Ego2Act，这是一个目标导向的基准。（论文赞 2）
在 Hugging Face 查看
排行第二：MemFold：通过在线优化学习紧凑软记忆以实现长期上下文个性化
长期服务于同一用户的助手需要记住用户已透露的信息：哪些偏好仍然有效，哪些已更改，哪些当前有效。保留这些信息并不等同于据此行动，两者通常被视为一体进行优化。将信息保留为文本会使助手的输入随保留的历史增长，而将其压缩为固定数量的潜在向量则会限制接口，但通常仅训练于重建文本或模仿参考答案，而这些答案是读者从未生成的。我们提出了MemFold，它通过支持的行为来优化固定预算的软记忆。
在 Hugging Face 查看
排行第三：视频生成模型综述：后训练与对齐
视频生成技术已从简短低质量片段发展到高分辨率、长时间、复杂时空动态的序列。尽管通过大规模预训练学习了强大的生成先验知识，但预训练视频模型往往无法可靠地遵循人类意图、保持时间连贯性或满足物理和安全约束。与图像和文本生成相比，视频生成中的对齐带来了独特挑战，包括时间上的累积误差、运动与外观的耦合、多目标权衡以及时间属性的有限监督。这些挑战促使了系统后训练策略的发展，以适应预训练模型。（论文赞 9）
在 Hugging Face 查看
排行第四：个性剂量：针对分级特质控制的校准激活引导
激活引导系数决定了干预强度，但要求特定程度的个性表达需要行为尺度。我们研究了个性剂量：通过个性描述和请求的平均强度来控制语言模型。PersonaDose 对共享的描述条件化 FLAS 控制器进行专门化，然后根据测量的特质表达校准其流时间。训练响应未配对请求的目标强度。在 Llama-3.1-8B、Qwen3-8B 和 Gemma-3-4B 上，PersonaDose 将核心特质表达从 Persona Vectors 的一致性基准 75 提高了 33.2、18.3 和 17.8（论文赞 2）
在 Hugging Face 查看
排行第五：洛RA微调：让预训练模型不再过早停止思考
预训练的变压器模型仅利用其深度的一小部分来跟随上下文中的引用。13个基础模型仅可靠地跟随1.4-3.6行，而额外的预训练循环几乎没有帮助。一个在一层早期进行任务训练的rank-8洛RA可以冻结所有模型权重，从而扩展计算。Qwen3-8B从24行链的15.5%准确率提高到99%；更长时间训练的洛RA可以达到50行。Ouro-1.4B在四次循环后达到60行，在八次循环后至少达到160行。洛RA开始接力：程序行通过中间层的短范围传递链身份。冻结的头部逐层读取更远的链，并移除父行注意（论文赞 2）
在 Hugging Face 查看
排行第六：蜂窝：常规模型场景记忆表示法用于视频世界模型
视频世界模型需要持久的场景记忆以在长时间视频生成过程中保持一致性。现有空间记忆会累积RGB观测或潜在特征，导致存储需求随生成过程增加。我们提出了Honeycomb，这是一种基于HexMemory的视频世界模型，HexMemory是一种低秩表示法，用于在固定大小的记忆中存储场景特征，总共有六个空间和时空平面。前向写入器将每个生成的片段映射到新的平面特征。随着空间覆盖范围或时间范围的扩大，我们将以前的平面进行扭曲并保持其维度，然后通过置信加权融合新的特征。（论文赞 1）
在 Hugging Face 查看
排行第七：X-Tree：可重用经验的分词化
论文提出X-Tree模型，通过分词化可重用经验来提高代理的泛化能力，不同于传统的多步骤代理训练方法，X-Tree从数据中恢复层次结构并进行训练，无需调用语言模型，从而更充分地利用每个轨迹。（论文赞 12）
在 Hugging Face 查看
排行第八：OpenTumorBoard：多学科肿瘤板讨论轨迹的基准
论文介绍了OpenTumorBoard，一个包含611个病例和19,157个讨论回合的基准，涵盖10种专业角色，从YouTube上公开的肿瘤板录音中转录而来。该基准评估两种设置：专业回合和董事会模拟，评估语言模型在肿瘤讨论中的表现。（论文赞 5）
在 Hugging Face 查看
排行第九：关键词驾驭失败
论文指出关键词匹配基准可能错误地认定小型语言模型具备工具使用能力。通过对比两个西班牙安全语言模型，提出严格的、廉价的诊断方法，以验证模型的工具使用能力。（论文赞 1）
在 Hugging Face 查看
排行第十：ScholarCatalyst：检索激发新研究的论文
论文构建ScholarCatalyst基准，通过自动化流程让207篇计算机科学论文的184位主要作者标注哪些候选论文推进了他们的项目，旨在研究科学家如何从大量研究中找到关键灵感。（论文赞 5）
在 Hugging Face 查看
排行第十一：在线学习或离线学习？
论文系统研究了蒸馏动力学中的在线学习和离线学习差异，通过独立改变回放策略、逐个标记的KL方向和学习率，分析了Llama3和Qwen2.5模型家族在科学、医学和算术领域的表现。（论文赞 114）
在 Hugging Face 查看
排行第十二：RLE-Bench：评估机器人学习工程师的编码代理
论文介绍RLE-Bench，一个评估编码代理在机器人学习任务中工程能力的基准，涵盖四个代表性机器人开发工作流程，包括交互控制、集成诊断和改进异构组件等。（论文赞 5）
在 Hugging Face 查看
