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 5005，趋势分 1043。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5005 · 趋势分 1043）
在 Hugging Face 查看
排行第二：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 785，趋势分 754。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 785 · 趋势分 754）
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 2844，趋势分 739。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2844 · 趋势分 739）
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 669，趋势分 399。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 669 · 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 5994，趋势分 393。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 5994 · 趋势分 393）
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 2839，趋势分 380。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2839 · 趋势分 380）
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 16806，趋势分 350。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16806 · 趋势分 350）
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 539，趋势分 281。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 539 · 趋势分 281）
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 264，趋势分 259。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 264 · 趋势分 259）
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 625，趋势分 252。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 625 · 趋势分 252）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大语言模型以实现低延迟边缘服务编排
自然语言服务请求在执行前可能需要语言模型进行决策，这会消耗部分延迟预算。本文将Jev的决策导向API集成到边缘服务编排中，以减少这一开销，同时保持服务完成。该集成提取四到八个有限意图字段，并应用共享验证器、准入策略和调度器，考虑整个请求时间线中的决策等待时间。本文在8,280个验证请求和一个实时准入路径上，比较了Jev、两个自托管决策模型和三个托管的大语言模型（LLMs）的性能。
在 Hugging Face 查看
排行第二：Ego2Act：评估以自我为中心视频生成中的目标导向操作
视频生成模型正被越来越多地用作具身规划和学习的世界模拟器。要有效实现这一点，这些模型不仅要生成视觉上吸引人的帧，还要预测执行目标导向操作时环境如何动态演变。尽管评估这些能力至关重要，但现有基准主要关注单一短动作或逐步指令。这使得多步骤物理推理未被充分探索，特别是在需要规划以模拟正确执行以完成高层目标的自我为中心视频生成中。本文引入了Ego2Act，一个目标导向的基准。（论文赞 2）
在 Hugging Face 查看
排行第三：MemFold：通过策略优化学习紧凑的软记忆以实现长上下文个性化
一个在长时域内服务同一用户的助手，需要根据用户透露的内容进行回答：哪些偏好仍然有效，哪些已被修改，哪些约束现在适用。保留这些信息与根据这些信息行动是不同的，但通常被当作同一目标进行优化。将信息保存为文本会使用户的输入随历史记录增长，而将其压缩为固定数量的潜在向量则限制了接口，但通常训练用于重建文本或模仿参考答案，这些评分基于用户从未生成的序列。本文提出MemFold，通过其支持的行为优化固定预算的软记忆。（论文赞 1）
在 Hugging Face 查看
排行第四：视频生成模型：后训练与对齐的综述
视频生成技术已从短而低质量的片段迅速发展为具有复杂时空动态的高分辨率、长时长序列。尽管通过大规模预训练学习到了强大的生成先验知识，但预训练的视频模型往往难以可靠地遵循人类意图、保持时间一致性或满足物理和安全约束。与图像和文本生成相比，视频生成中的对齐面临独特挑战，包括时间上的误差累积、运动与外观的耦合、多目标权衡以及时间属性的监督有限。这些挑战促使系统性地采用后训练策略来调整预训练模型。（论文赞 12）
在 Hugging Face 查看
排行第五：个性剂量：用于分级特质控制的校准激活引导
激活引导系数设定干预强度，但要求特定程度的个性表达需要行为尺度。本文研究个性剂量：通过特质描述和请求的平均强度来控制语言模型。PersonaDose在个性响应上专门化了一个共享的、基于描述的FLAS控制器，然后将其流动时间与测量的特质表达进行校准。训练响应未与请求的目标强度配对。在Llama-3.1-8B、Qwen3-8B和Gemma-3-4B模型上，PersonaDose在个性向量一致性基线75分上，分别比对比激活添加提高了33.2、18.3和17.8分。（论文赞 2）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，而一个微小的LoRA可以解决
预训练的Transformer模型在遵循上下文中的参考时使用了很少的深度。十三个基础模型仅能可靠地遵循1.4到3.6行内容，额外的预训练循环增加不多。一个任务训练的秩8 LoRA在早期一层扩展了这一计算，且所有模型权重保持冻结。Qwen3-8B在24行链上将精确准确率从15.5%提升至99%；一个经过更长时间训练的LoRA可达到50行。Ouro-1.4B在四次循环后可达到60行，八次循环后至少达到160行。LoRA启动了一个中继：程序行通过中间层的短范围传递其链标识。冻结的头（论文赞 9）
在 Hugging Face 查看
排行第七：Honeycomb：常规模型场景记忆表示
本文提出了一种名为Honeycomb的新方法，用于视频世界模型的持久场景记忆。Honeycomb基于HexMemory构建，HexMemory是一种低秩表示方法，用于在固定大小的内存中存储场景特征。总共有六个空间和平面，包括时空平面。通过向前馈写入器将生成的块映射到新的平面特征，当空间覆盖或时间范围扩展时，我们通过保维度的战争ping先前的平面，然后将它们与新的特征通过置信加权融合。（论文赞 1）
在 Hugging Face 查看
排行第八：X-Tree：从数据中恢复可复用经验
本文提出了一种名为X-Tree的新方法，用于从数据中恢复可复用经验。传统的多步骤代理在平坦的动作流上进行训练，SFT和RLVR均匀地给每个令牌打分，忽略了跨任务重复的子程序。这种结构未被充分利用，而平坦的训练方式未能完全利用其内容允许的每个稀缺轨迹。我们通过从数据中本身恢复这种层次结构来训练代理，而不是通过LLM调用来实现。（论文赞 12）
在 Hugging Face 查看
排行第九：OpenTumorBoard：肿瘤多学科讨论的真实世界基准
本文介绍了一个名为OpenTumorBoard的新基准，用于捕捉肿瘤多学科讨论的真实世界轨迹。该基准包含611个患者案例和19,157次讨论回合，涉及十个专业角色。这些讨论是从12,534分钟公开可用的肿瘤板录音中转录的。OpenTumorBoard评估两种设置：SPECIALIST TURN和BOARD SIMULATION。在SPECIALIST TURN中，LLM对临床显著问题作出响应；在BOARD SIMULATION中，LLM生成整个来回讨论并达成治疗建议的一致意见（论文赞 5）
在 Hugging Face 查看
排行第十：关键词陷阱：小型语言模型工具使用声明的廉价诊断方法
关键词匹配基准可能会为小型语言模型从未执行过的工具使用提供信用。我们记录了一个这样的虚假阳性案例，并提出了一种严格的廉价诊断阶梯。一个661.6M参数模型（约65%的代码/技术文本；没有专门的SFT）和一个1,109M模型（网络丰富的多阶段课程；6B-token工具-SFT）共享解码器、分词器和特殊标记，在宽松工具使用指标（B4：0.660 vs. 0.650）上几乎得分相同。通过对训练示例的逐字再现检查，两个模型在工具使用上完全不同：一个在六个示例中正确执行通用工具调用，另（论文赞 1）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究的论文基准
本文介绍了一个名为ScholarCatalyst的新基准，用于评估检索启发新研究的论文。该基准通过作者标注，标记184位计算机科学论文作者在完成项目时知道哪些先前的工作推动了他们的进展。每个标注都提供了详细的理由。我们引入了一个检索任务，提供作者标注的论文作为指针，以帮助新的研究问题。（论文赞 5）
在 Hugging Face 查看
排行第十二：离策略与在线策略：蒸馏动力学的系统研究
本文研究了蒸馏动力学中的离策略与在线策略差异。传统的离策略学习被认为可以减少灾难性遗忘，产生稀疏的参数更新，并提高泛化能力。然而，现有比较同时改变了许多因素，使得确定滚动策略对蒸馏的贡献变得困难。我们在一个强到弱的蒸馏设置中独立变化滚动策略、令牌级别的KL方向和学习率，涉及Llama3和Qwen2.5模型家族以及涵盖科学、医学和算术领域的推理任务。我们的分析揭示了一个复杂的蒸馏动力学图景，其中滚动策略的影响取决于模型家族和任务类型。（论文赞 123）
在 Hugging Face 查看
