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 5028，趋势分 975。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5028 · 趋势分 975）
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 894，趋势分 859。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 894 · 趋势分 859）
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 2872，趋势分 698。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2872 · 趋势分 698）
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 677，趋势分 399。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 677 · 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 6047，趋势分 386。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6047 · 趋势分 386）
在 Hugging Face 查看
排行第六：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 377，趋势分 361。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 377 · 趋势分 361）
在 Hugging Face 查看
排行第七：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 2859，趋势分 358。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2859 · 趋势分 358）
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 16835，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16835 · 趋势分 351）
在 Hugging Face 查看
排行第九：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 310，趋势分 302。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 310 · 趋势分 302）
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 378，趋势分 263。标签：computer-vision、visionhope。（点赞 378 · 趋势分 263）
在 Hugging Face 查看
排行第十一：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 548，趋势分 254。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 548 · 趋势分 254）
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 629，趋势分 243。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 629 · 趋势分 243）
在 Hugging Face 查看
论文
排行第一：用 Jev 决策模型替代大语言模型实现低延迟边缘服务编排
自然语言服务请求在执行前需要语言模型决策，这会消耗请求的延迟预算。我们通过将 Jev 的决策导向 API 集成到边缘服务编排中，减少这一开销，同时保持服务完成。该集成提取了四到八个有界意图字段，并应用共享验证器、准入策略和调度器，考虑了整个请求时间线中的决策等待。我们在 8,280 个已验证请求和实时准入路径上对 Jev、两个自托管决策模型和三个托管大语言模型进行了比较。（论文赞 1）
在 Hugging Face 查看
排行第二：Ego2Act：评估以目标为导向的自身体视频生成中的操作
视频生成模型正越来越多地被用作具身规划和学习的世界模拟器。为了有效实现这一目标，这些模型不仅需要生成视觉上吸引人的帧，还要预测执行目标导向动作时环境的动态变化。虽然评估这些能力至关重要，但现有的基准主要关注单个短动作或逐步指令。这使得多步骤物理推理在自身体视频生成中被忽视，尤其是需要规划来模拟执行多个真实世界操作以实现高层次目标的情况。我们引入了 Ego2Act，一个以目标为导向的基准。（论文赞 7）
在 Hugging Face 查看
排行第三：MemFold：通过在线优化学习紧凑软内存以实现长期个性化
长期服务同一用户时，助手需要回答用户透露的偏好和约束。保留这些信息与利用这些信息进行决策是不同的，通常这两者是分开优化的。将信息保留为文本会导致输入随着保留历史的增加而增长，而将其压缩为固定数量的潜在向量则可以限制接口，但通常训练目标是重构文本或模仿参考答案，这些都不是用户实际产生的。我们提出了 MemFold，通过支持的行为优化固定预算的软内存。（论文赞 3）
在 Hugging Face 查看
排行第四：视频生成模型：后训练和对齐的综述
视频生成已从短、低质量的片段发展到高分辨率、长时间序列的复杂时空动态。尽管通过大规模预训练学到了强大的生成先验，但预训练的视频模型通常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，视频生成中的对齐面临独特挑战，包括时间上的错误累积、运动-外观耦合、多目标权衡和时间属性的有限监督。这些挑战促使系统性后训练策略的出现，以适应预训练模型。（论文赞 32）
在 Hugging Face 查看
排行第五：人格剂量：校准激活引导以实现分级特征控制
激活引导系数决定了干预强度，但请求特定程度的人格表达需要一个行为尺度。我们研究了人格剂量：通过特征描述和请求的平均强度来控制语言模型。PersonaDose 专门化一个共享的、描述条件的 FLAS 控制器，然后根据测量的特征表达校准其流动时间。在 Llama-3.1-8B、Qwen3-8B 和 Gemma-3-4B 上，PersonaDose 在 75 的人格向量连贯性基础上，分别提高了 33.2、18.3 和 17.8 个点。（论文赞 12）
在 Hugging Face 查看
排行第六：Transformer 过早停止思考，微小的 LoRA 修正解决了问题
预训练的 Transformer 在上下文中跟随引用时很少使用其深度。13 个基础模型通常只能可靠地跟随 1.4-3.6 行，额外的预训练循环几乎没有帮助。通过在早期层应用任务训练的 rank-8 LoRA，可以在冻结所有模型权重的情况下扩展这一计算。Qwen3-8B 在 24 行链上的准确率从 15.5% 提高到 99%；经过更长时间训练的 LoRA 可以达到 50 行。Ouro-1.4B 在四次循环后可以达到 60 行，八次循环后至少可以达到 160 行。LoRA 开始了（论文赞 56）
在 Hugging Face 查看
排行第七：蜂窝结构：用于视频世界模型的恒定场景记忆表示
该研究提出Honeycomb视频世界模型，使用六层空间和时空平面构建固定大小的记忆体，通过低秩表示存储场景特征。新生成的视频块被映射到新的平面特征中，并通过置信加权融合旧特征，实现高效且一致的长期视频生成。（论文赞 2）
在 Hugging Face 查看
排行第八：X-Tree：用于高效代理泛化的可重用经验分词方法
本文提出X-Tree方法，通过识别和重用任务中的子程序结构，提升多步代理的泛化能力。不同于传统统一加权方式，该方法从数据中恢复层次结构并进行训练，避免依赖大型语言模型，实现更高效的策略学习和任务适应。（论文赞 19）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤病例讨论轨迹的真实世界基准
OpenTumorBoard是一个包含611个患者案例和19,157次讨论的多学科肿瘤病例讨论基准，基于YouTube公开肿瘤会议录音构建。该基准支持两种评估设置，分别测试大语言模型在真实讨论中的响应和完整讨论生成能力。（论文赞 8）
在 Hugging Face 查看
排行第十：关键词陷阱失效：小语言模型工具使用声明的廉价诊断阶梯
本文指出关键词匹配基准可能错误地认可小模型的工具使用能力。通过对比两个架构相同的西班牙语安全语言模型，提出一套廉价诊断方法，发现模型在工具调用上的表现存在显著差异，揭示了工具使用评估中的虚假阳性问题。（论文赞 2）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究的论文基准
ScholarCatalyst基准通过让207篇计算机科学论文的作者标注哪些先前研究启发了他们的工作，构建了用于检索灵感来源论文的基准。该研究旨在研究科学家如何从海量文献中识别关键启发性研究，为AI研究提供新的评估方向。（论文赞 6）
在 Hugging Face 查看
排行第十二：在线或离线学习？蒸馏动态的系统性研究
本文系统研究了在强到弱蒸馏设置中，回放策略对模型性能的影响。通过控制回放策略、token级KL方向和学习率，分析了Llama3和Qwen2.5系列模型在科学、医学和算术任务中的蒸馏动态，揭示了不同策略对模型泛化能力的影响。（论文赞 131）
在 Hugging Face 查看
