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 5074，趋势分 932。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5074 · 趋势分 932）
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 971，趋势分 930。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 971 · 趋势分 930）
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 2918，趋势分 684。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2918 · 趋势分 684）
在 Hugging Face 查看
排行第四：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 6124，趋势分 396。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6124 · 趋势分 396）
在 Hugging Face 查看
排行第五：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 691，趋势分 367。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 691 · 趋势分 367）
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 2896，趋势分 363。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2896 · 趋势分 363）
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 16879，趋势分 355。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16879 · 趋势分 355）
在 Hugging Face 查看
排行第八：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 351，趋势分 341。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 351 · 趋势分 341）
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 398，趋势分 329。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 398 · 趋势分 329）
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 389，趋势分 274。标签：computer-vision、visionhope。（点赞 389 · 趋势分 274）
在 Hugging Face 查看
排行第十一：OrcaSAQ-2-Cyber-27B-Uncensored-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 312，趋势分 250。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 312 · 趋势分 250）
在 Hugging Face 查看
排行第十二：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 568，趋势分 247。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 568 · 趋势分 247）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代大语言模型
该研究将Jev决策模型集成到边缘服务编排中，以减少语言模型决策的延迟开销，同时保证服务完成。通过提取有限的意图字段并应用共享验证器、准入策略和调度器，在请求时间线上考虑决策等待时间。在8280个验证请求上对比了Jev、两个自托管决策模型和三个托管大语言模型的表现。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act：评估自述视频生成中的目标导向操作
为评估视频生成模型在具身规划和学习中的应用，提出Ego2Act基准测试。该测试关注多步骤物理推理，要求模型在自述视频生成中模拟真实世界操作以实现高层目标。相比现有基准，Ego2Act更注重复杂操作序列的动态环境预测能力。（论文赞 21）
在 Hugging Face 查看
排行第三：MemFold：通过在线策略优化学习紧凑软记忆
针对长期用户交互场景，MemFold提出一种紧凑软记忆机制，通过在线策略优化实现长上下文个性化。该方法将用户历史信息压缩为固定数量的潜在向量，避免文本增长问题，同时优化支持的行为而非仅重建文本或模仿答案。（论文赞 6）
在 Hugging Face 查看
排行第四：视频生成模型：微调与对齐综述
本文综述了视频生成模型在后训练和对齐方面的进展。尽管预训练模型具备强大生成能力，但在遵循人类意图、保持时间连贯性和满足物理安全约束方面仍存在挑战。文章分析了视频生成对齐的独特难点并提出系统性微调策略。（论文赞 44）
在 Hugging Face 查看
排行第五：Persona Dosing：分级特质控制的校准激活引导
PersonaDose通过特质描述和请求平均强度控制语言模型的人格表达。该方法在共享FLAS控制器基础上专门化 persona 响应，通过校准流时间来实现精确的特质表达控制。在多个模型上验证了其在特质表达提升方面的有效性。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，小LoRA可修复
研究发现预训练Transformer在上下文中跟随参考信息的能力有限，仅能处理少量文本行。通过在早期层添加秩为8的LoRA微调，可显著提升模型处理长链文本的能力。在多个模型上验证了该方法在提升推理准确性和长度方面的效果。（论文赞 62）
在 Hugging Face 查看
排行第七：Honeycomb：用于视频世界模型的恒定大小场景记忆表示
视频世界模型需要持久的场景记忆以在长时视频生成中保持一致性。现有空间记忆通过累积RGB观测或潜在特征，导致存储需求随生成过程增加。本文提出Honeycomb，一种基于HexMemory的视频世界模型，采用低秩表示在固定大小的记忆中存储场景特征，包含六个空间和时空平面。前馈写入器将每个生成的片段映射到新的平面特征中，当空间覆盖或时间范围扩大时，通过保持维度不变的方式对齐旧平面，并通过置信度加权与新特征融合。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：用于高效智能体泛化的可复用经验分词方法
多步骤智能体通常在扁平动作流上进行训练：SFT和RLVR对每个标记赋予相同的权重，忽略了跨任务重复出现的子程序和人类通过可复用的例行程序进行的自上而下规划的层次结构。这种结构在训练中未被充分利用，扁平化训练未能完全发挥每条稀缺轨迹的潜力。近期的智能体虽然使用了这种结构，但仅作为上下文中的LLM生成技能，未体现在权重中，因此其优势无法在检索之外泛化。本文从数据本身中恢复这种层次结构并进行训练，无需调用LLM。（论文赞 36）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤委员会讨论轨迹的真实世界基准
多学科肿瘤委员会通过专家讨论整合多模态临床观察和患者的纵向病史，但现有基准很少捕捉这些真实世界轨迹。本文提出OpenTumorBoard，一个包含611个患者案例和19,157次讨论回合的基准，涵盖十个专科角色，数据来自YouTube上12,534分钟的公开肿瘤委员会录音。该基准评估两种场景：SPECIALIST TURN，即LLM对真实讨论中提出的临床重要问题进行回应；BOARD SIMULATION，即LLM生成完整的讨论并达成治疗建议的共识。（论文赞 11）
在 Hugging Face 查看
排行第十：关键词触发器失效：用于小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错误地将小模型的工具使用能力归为已实现。本文在一个西班牙语安全语言模型的匹配架构对中发现此类假阳性，并提出一套严格的廉价诊断方法。一个661.6M参数模型（约65%代码/技术文本；无专门的SFT）和一个1,109M参数模型（基于网络的多阶段课程；6B标记的工具SFT）共享解码器、分词器和特殊标记，在宽松的工具使用指标上得分几乎相同（B4：0.660 vs. 0.650）。对训练样本的逐字再现检查可完全区分两者：600M模型在6个示例中均能生成有效的工具调用；（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：用于检索启发新研究的论文的基准
什么使伟大的科学家变得伟大？尽管AI系统开始在开放性问题上取得进展，科学家在感知新问题需要哪些被埋藏在日益增长的研究档案中的先前想法方面仍远超AI。为研究这一技能，我们参考了那些亲身了解哪些早期工作推动了其已完成项目的研究人员，以论文作为指向其中思想的指针。通过我们的自动化流程，使作者标注可扩展，我们构建了ScholarCatalyst，由207篇近期计算机科学论文的184位主要作者标注哪些候选论文确实或可能推动了他们的项目，并附有详细理由。我们引入了由作者提供的检索任务。（论文赞 9）
在 Hugging Face 查看
排行第十二：策略学习还是离线策略学习？一种关于蒸馏动态的系统研究
策略学习被认为可以减少灾难性遗忘、产生更稀疏的参数更新并提高泛化能力。然而，现有对监督微调和强化学习的比较同时变化了多个因素，使得rollout策略的贡献难以分离。本文在受控的强到弱蒸馏设置中研究rollout策略的影响，通过独立变化rollout策略、标记级KL方向和学习率，覆盖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。我们的分析揭示了蒸馏动态的复杂图景，其中rollout策略的影响因任务和模型而异。（论文赞 153）
在 Hugging Face 查看
