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 1139，趋势分 1087。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1139 · 趋势分 1087）
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 5131，趋势分 829。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5131 · 趋势分 829）
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 3062，趋势分 706。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3062 · 趋势分 706）
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 6246，趋势分 420。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6246 · 趋势分 420）
在 Hugging Face 查看
排行第五：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 411，趋势分 396。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 411 · 趋势分 396）
在 Hugging Face 查看
排行第六：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 359，趋势分 351。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 359 · 趋势分 351）
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 16919，趋势分 346。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16919 · 趋势分 346）
在 Hugging Face 查看
排行第八：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 2931，趋势分 323。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2931 · 趋势分 323）
在 Hugging Face 查看
排行第九：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 397，趋势分 280。标签：computer-vision、visionhope。（点赞 397 · 趋势分 280）
在 Hugging Face 查看
排行第十：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 705，趋势分 253。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 705 · 趋势分 253）
在 Hugging Face 查看
排行第十一：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 411，趋势分 233。标签：decision-model、multilingual、routing、base_model:jhu-clsp/mmBERT-small、base_model:finetune:jhu-clsp/mmBERT-small。（点赞 411 · 趋势分 233）
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 664，趋势分 232。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 664 · 趋势分 232）
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
自然语言服务请求在执行开始前可能需要语言模型决策，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。集成的提取了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，考虑请求时间线中决策等待期间对整个请求的影响。（论文赞 5）
在 Hugging Face 查看
排行第二：Ego2Act: 评估目标导向操控在 egocentric 视频生成中的表现
视频生成模型越来越多地被探索作为具身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简短动作或逐步指令。这导致多步物理推理特别是egocentric视频生成中的规划未被充分探索，该领域需要规划以模拟正确的执行来实现高级目标，通过执行多个真实世界的操作。（论文赞 23）
在 Hugging Face 查看
排行第三：MemFold: 通过联机优化学习紧凑软记忆用于长期上下文个性化
为同一用户服务多年的助手必须回答用户揭示的内容：哪些偏好仍然有效，哪些被修订，以及哪些约束现在适用。保留这些信息并不等同于根据这些信息进行操作，两者也通常被优化为相同的程度。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。MemFold通过行为支持优化一个固定预算的软记忆。（论文赞 7）
在 Hugging Face 查看
排行第四：视频生成模型：对后训练和对齐的全面综述
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强大的生成先验，预训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、多目标权衡以及有限的对时间属性的监督。这些挑战促使采用系统后训练策略，适应预训练模型。（论文赞 44）
在 Hugging Face 查看
排行第五：Persona Dosing: 通过校准激活引导分级特质控制
一个激活系数设置干预强度，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。PersonaDose专门在一个共享的描述条件FLAS控制器上训练人格响应，然后根据测量的人格表达对其流动时间进行校准。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 Vectors的一致性底线75上，分别提高了33.（论文赞 40）
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只使用很少的深度。十三个基本模型仅能可靠地跟随1.4-3.6行，更额外的预训练循环增加甚微。在早期层中的一个秩-8 LoRA扩展了这种计算，所有模型权重都被冻结。Qwen3-8B在24行链上的精确准确率从15.5%提高到99%；一个更长时间训练的LoRA可以达到50行。Ouro-1.4B在四个循环后达到60行，在至少八个循环后达到160行。LoRA启动了一个接力：程序行通过一段短范围的中间层传递其链身份，通过移除父行注意力停止接力。冻结的模型测（论文赞 63）
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低秩表示，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。前馈写入器将生成的每个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，模型会扭曲先前平面但保持其维度，并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，避免存储需求随生成过程增长。（论文赞 5）
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重复子程序层次结构的问题，提出X-Tree方法。它从数据本身提取可复用动作片段，通过重用性评分合并规范序列，构建类似文本标记器的词汇表。该方法无需调用大语言模型，直接在权重中训练层次化表示，使智能体能够像人类一样自上而下规划，充分利用轨迹内容，提升泛化能力。（论文赞 44）
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基准
本文介绍OpenTumorBoard基准，包含从YouTube公开肿瘤委员会录音转录的611个病例和19,157轮讨论，涉及十种专家角色。基准评估两种场景：SPECIALIST TURN要求大语言模型回应真实讨论中的临床问题；BOARD SIMULATION则生成完整来回讨论并达成治疗共识。该基准旨在捕捉多模态临床观察和纵向患者历史整合的真实轨迹。（论文赞 13）
在 Hugging Face 查看
排行第十：关键词匹配基准失效：小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认可小模型未实际执行工具使用的能力。通过对比一对西班牙安全语言模型（6.61亿和11.09亿参数），提出严格且廉价的诊断阶梯。宽松指标下两者得分相近，但逐字复现检查显示小模型在6/6示例中生成有效工具调用，而大模型为0/6，揭示关键词基准的误判风险。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：检索激发新研究论文的基准
本文构建ScholarCatalyst基准，研究科学家如何从不断增长的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位主要作者标注候选论文是否促进其研究，并提供详细理由。基准提出检索任务，以作者提供的真实灵感来源评估系统感知关键思想的能力。（论文赞 10）
在 Hugging Face 查看
排行第十二：策略上或策略外学习？蒸馏动态的系统研究
本文在强到弱蒸馏的受控设置中，独立改变滚动策略、令牌级KL方向和学习率，研究策略上学习对灾难性遗忘、参数更新稀疏性和泛化的影响。基于Llama3和Qwen2.5模型家族在科学、医疗和算术推理任务上的实验，揭示滚动策略在蒸馏动态中的复杂作用，澄清其与监督微调及强化学习的对比贡献。（论文赞 168）
在 Hugging Face 查看
