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 5007，趋势分 1038。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5007 · 趋势分 1038）
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 801，趋势分 770。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 801 · 趋势分 770）
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 2850，趋势分 733。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2850 · 趋势分 733）
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 671，趋势分 401。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 671 · 趋势分 401）
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 6001，趋势分 394。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6001 · 趋势分 394）
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 2845，趋势分 382。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2845 · 趋势分 382）
在 Hugging Face 查看
排行第七：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 371，趋势分 355。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 371 · 趋势分 355）
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 16808，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16808 · 趋势分 348）
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 542，趋势分 279。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 542 · 趋势分 279）
在 Hugging Face 查看
排行第十：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 270，趋势分 265。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 270 · 趋势分 265）
在 Hugging Face 查看
排行第十一：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 250。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 625 · 趋势分 250）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大型语言模型实现低延迟边缘服务编排
自然语言服务请求可能需要语言模型决策才能开始执行，这会消耗请求延迟预算的一部分。我们将Jev的决策导向应用程序编程接口（API）集成到边缘服务编排中，以减少这种开销，同时保持服务完成。集成提取四个到八个限定意图字段，并应用共享验证器、准入策略和调度器，考虑到请求时间线中决策等待期间对整个请求时间的影响。（论文赞 1）
在 Hugging Face 查看
排行第二：Ego2Act: 用于自省视频生成的目标导向操作评估
视频生成模型越来越多地被探索作为身体规划和学习的虚拟世界模拟器。为了有效实现这些模型，这些模型不仅必须生成视觉上吸引人的帧，还必须预测当执行目标导向操作时环境如何动态演变。虽然评估这些能力至关重要，但现有基准主要关注单个短动作或逐步指令。这导致多步物理推理，特别是自省视频生成中，规划以模拟正确执行来实现高层次目标时，需要进行多个真实世界的操作。（论文赞 4）
在 Hugging Face 查看
排行第三：MemFold: 通过策略优化学习紧凑软内存实现长期个性化
为同一用户服务多年的助理必须根据用户揭示的信息回答：哪些偏好仍然有效，哪些被修订，哪些约束现在适用。保留这些信息并不等同于根据这些信息进行操作，而两者通常被优化为如果它们是的话。将信息保留为文本会使读者的输入随着保留的历史增长，而将其压缩为固定数量的潜在向量则限制了接口，但通常被训练为重构文本或模仿参考答案，两者都是根据读者从未产生的序列进行评分的。我们介绍了MemFold，它通过支持的行为优化固定预算的软内存。（论文赞 2）
在 Hugging Face 查看
排行第四：视频生成模型：对后训练和对齐的综述
视频生成从生成长、低质量的短片迅速进展到高分辨率、长持续时间和复杂时空动态。尽管通过大规模预训练学习到了强大的生成先验，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，视频生成的对齐面临独特挑战，包括时间上的误差累积、运动-外观耦合、多目标权衡以及对时间属性的监督有限。这些挑战促使采用系统化的后训练策略，适应预训练模型。（论文赞 13）
在 Hugging Face 查看
排行第五：Persona Dosing: 通过描述和请求平均强度控制语言模型激活
一个激活调节系数设置干预强度，但请求特定程度的人格表达需要一个行为尺度。我们研究了Persona Dosing：通过人格描述和请求的平均强度来控制语言模型。我们将PersonaDose专门化到一个共享的描述条件FLAS控制器上，然后根据测量的人格表达校准其流动时间。训练响应与请求的目标强度没有配对。在Llama-3.1-8B、Qwen3-8B和Gemma-3-4B上，PersonaDose将核心特质表达在Persona向量的连贯地板75上，分别提高了33.2、18.3和17.（论文赞 2）
在 Hugging Face 查看
排行第六：变换器不再过早思考，小型LoRA可以修复它
预训练的变换器在跟随上下文参考时很少使用其深度。十三种基本模型能够仅跟随1.4-3.6行，更额外的预训练循环增加甚微。在早期层之一训练一个秩-8 LoRA扩展了这种计算，所有模型权重都被冻结。Qwen3-8B从15.5%提高到99%的精确度，处理24行链；更长时间训练的LoRA可以达到50行。Ouro-1.4B在四轮后达到60行，八轮后至少达到160行。LoRA启动了一个接力：程序行通过一系列中间层传递其链标识，去掉父行注意力会停止接力。冻结模型的测量显示接力在短距离内传递链（论文赞 28）
在 Hugging Face 查看
排行第七：Honeycomb：视频世界模型的恒定大小场景记忆表示
本文提出Honeycomb视频世界模型，它基于HexMemory——一种低秩表示方法，将场景特征存储在固定大小的记忆体中，包含六个空间和时空平面。模型通过前馈写入器将生成的视频块映射为新的平面特征。随着空间覆盖或时间范围扩展，系统会对先前平面进行变形并保持其维度，然后通过置信度加权与新特征融合，从而在长序列视频生成中维持一致性，同时避免存储需求随生成过程增长。（论文赞 2）
在 Hugging Face 查看
排行第八：X-Tree：可复用经验标记化以提升智能体泛化效率
本文针对多步智能体训练中忽视跨任务可复用于程序的问题，提出X-Tree方法。它借鉴文本标记化思想，通过评估动作片段的可复用性，将数据中的层次结构提取出来进行训练，无需调用大语言模型。该方法旨在让智能体能够像人类一样自上而下地规划可重用例程，从而更充分地利用稀缺轨迹数据，实现泛化能力的提升，而非仅依赖检索获得临时增益。（论文赞 14）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹的真实基准
本文介绍OpenTumorBoard基准数据集，包含611个患者案例和19,157轮讨论，涉及十种专家角色，转录自公开的肿瘤委员会会议录音。基准评估两种设置：专家轮次（LLM回应真实讨论中的临床问题）和委员会模拟（LLM生成完整讨论并达成治疗共识）。该基准旨在捕捉多学科肿瘤委员会整合多模态临床观察和纵向患者病史的真实轨迹。（论文赞 6）
在 Hugging Face 查看
排行第十：关键词匹配基准的漏洞：小模型工具使用声明的廉价诊断阶梯
本文揭示关键词匹配基准可能错误地认为小模型具备工具使用能力。通过对一对西班牙安全语言模型的对比分析，提出严格的廉价诊断阶梯。研究发现，在宽松指标下表现相近的两个模型（6.616亿参数和11.09亿参数），在逐字复现检查中显示出完全不同的工具调用能力，表明需要更严格的评估方法来验证小模型的真实工具使用性能。（论文赞 2）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究论文的基准
本文构建ScholarCatalyst基准，用于研究科学家如何从海量研究档案中识别能推动新项目的先前思想。通过自动化流程让207篇计算机科学论文的184位通讯作者标注哪些候选论文实际或可能推进其研究，并提供详细理由。该基准引入检索任务，旨在评估系统识别具有启发性的研究论文的能力，以探索科学发现中的关键技能。（论文赞 5）
在 Hugging Face 查看
排行第十二：策略内或策略外学习？蒸馏动力学的系统研究
本文在强到弱的知识蒸馏设置中，通过独立控制滚动策略、令牌级KL方向和学习率，系统研究策略内学习对减少灾难性遗忘和改善泛化的影响。实验覆盖Llama3和Qwen2.5模型家族及科学、医疗和算术领域的推理任务，揭示了滚动策略在蒸馏动力学中的复杂作用，为理解不同学习方式的效应提供了细致分析。（论文赞 129）
在 Hugging Face 查看
