Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 989，趋势分 948。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 989 · 趋势分 948）
在 Hugging Face 查看
排行第二：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 5079，趋势分 917。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5079 · 趋势分 917）
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 2936，趋势分 684。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2936 · 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 6135，趋势分 398。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6135 · 趋势分 398）
在 Hugging Face 查看
排行第五：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 2900，趋势分 361。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2900 · 趋势分 361）
在 Hugging Face 查看
排行第六：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 16886，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16886 · 趋势分 351）
在 Hugging Face 查看
排行第七：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 358，趋势分 348。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 358 · 趋势分 348）
在 Hugging Face 查看
排行第八：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 346。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 691 · 趋势分 346）
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 400，趋势分 310。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 400 · 趋势分 310）
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 390，趋势分 275。标签：computer-vision、visionhope。（点赞 390 · 趋势分 275）
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 318，趋势分 249。标签：llama.cpp、qwen、qwen3.8、qwen3_5、orcasaq2。（点赞 318 · 趋势分 249）
在 Hugging Face 查看
排行第十二：Kolibri-1（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 253，趋势分 248。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 253 · 趋势分 248）
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，同时确保服务完成。集成方法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，考虑请求时间线中决策等待的影响。本文在8280个验证请求和一个实时准入路径上，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 5）
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。为此，这些模型不仅要生成视觉上吸引人的帧，还需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，尤其是在需要规划以模拟正确执行以实现高层目标的自我为中心视频生成中。本文引入Ego2Act，一个目标导向的基准。（论文赞 21）
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
一个在长周期内为同一用户提供服务的助手，必须根据用户透露的信息回答问题：哪些偏好仍然有效，哪些已被修改，哪些约束当前适用。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输入随保留历史增长，而将其压缩为固定数量的潜在向量则限制了接口，但通常训练用于重建文本或模仿参考答案，这些答案的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 6）
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到具有复杂时空动态的高清长时序列。尽管通过大规模预训练学习了强大的生成先验，但预训练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的后训练策略，以适应预训练模型。（论文赞 44）
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，但请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一个共享的、基于描述的FLAS控制器，然后将其流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的情况下，分别将核心特质表达提升了33.2、18.3和17.8个百分点。（论文赞 40）
在 Hugging Face 查看
排行第六：Transformer太早停止思考，微小的LoRA可修复
预训练的Transformer模型在遵循上下文中的参考时只使用了很少的深度。13个基础模型只能可靠地遵循1.4到3.6行的参考内容，额外的预训练循环增加不多。一个在早期层训练的、秩为8的LoRA可以扩展这一计算，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启动了一个中继过程：程序行通过中间层的短范围传递链身份（论文赞 62）
在 Hugging Face 查看
排行第七：Honeycomb：恒定大小的场景记忆表示
视频世界模型需要持久的场景内存以在长时间视频生成过程中保持一致性。现有空间记忆积累RGB观察或潜在特征，随着生成的推进存储需求增加。我们引入了Honeycomb，基于HexMemory，这是一种低秩表示，在固定大小的内存中存储场景特征，总共有六个空间及时空平面。一个前馈写入器将每个生成的片段映射到新的平面特征。当空间覆盖或时间范围扩展时，我们通过保维变换之前的平面并将其与新的特征通过置信加权融合。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：从经验中提取可复用结构
多步骤代理在平坦的动作流上接受训练：SFT和RLVR均匀地为每个标记评分，忽略跨任务的重复子程序，这些子程序使人类能够自顶向下规划可复用的常规流程。这种结构未被利用，平坦训练方式未能充分利用每个稀缺轨迹的内容。最近开发的代理确实使用了这种结构，但仅在由LLM撰写的技能上下文中，从未在权重中使用，因此它们的收益无法泛化至检索。我们则从数据中恢复这种结构并进行训练，无需任何LLM调用。基于文本标记器的做法，通过计数构建词汇表，我们根据可复用性对动作片段进行评分并合并标准形式。（论文赞 39）
在 Hugging Face 查看
排行第九：OpenTumorBoard：肿瘤多学科讨论的真实世界基准
多学科肿瘤委员会整合了多模态临床观察和患者的长期病史，通过专家讨论，但现有的基准很少捕捉这些真实世界的轨迹。我们引入了OpenTumorBoard，包含611名患者案例和19,157次讨论转 across ten specialist roles, transcribed from 12,534 minutes of publicly available tumor board recordings on YouTube.该基准评估两种设置：SPECIALIST TURN，在（论文赞 11）
在 Hugging Face 查看
排行第十：Keyword Harnesses Fail Open：诊断小语言模型工具使用声
基于关键词匹配的基准可能会错误地称赞小模型执行它们从未执行过的工具操作。我们在西班牙安全语言模型对中记录了一个这样的误报，并按照严格的低成本诊断步骤提出了一个阶梯。我们比较了两个模型：一个661.6M参数模型（约65%代码/技术文本，无专门SFT）和一个1,109M模型（网络驱动的多阶段课程；6B-token工具-SFT），它们共享解码器、分词器和特殊标记，在宽松工具使用指标（如B4：0.660 vs. 0.650）上几乎相同。通过对训练示例的逐字再现检查，两个模型完全分离：（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索启发新研究的论文的基准
科学家为何卓越？即使在AI系统开始解决开放问题时，科学家仍远领先于他们，能够感知哪些先前的工作在其完成的项目中起到了关键作用。为此，我们利用研究人员对其已完成项目中哪些先前工作有所启发的第一手经验，构建了ScholarCatalyst基准。通过自动化管道，我们让184名计算机科学领域顶尖作者标注207篇最近论文中哪些候选论文可能对其项目有所启发，每篇论文附带详细理由。我们引入了一个检索任务，作者提供论文标题和摘要，系统自动检索相关论文并评估其相关性。（论文赞 9）
在 Hugging Face 查看
