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 1179，趋势分 1108。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1179 · 趋势分 1108）
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 5154，趋势分 819。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5154 · 趋势分 819）
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 3108，趋势分 715。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3108 · 趋势分 715）
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 6281，趋势分 429。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6281 · 趋势分 429）
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 422，趋势分 403。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 422 · 趋势分 403）
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 382，趋势分 373。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 382 · 趋势分 373）
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 16931，趋势分 346。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16931 · 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 2939，趋势分 316。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2939 · 趋势分 316）
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 401，趋势分 280。标签：computer-vision、visionhope。（点赞 401 · 趋势分 280）
在 Hugging Face 查看
排行第十：Xing4.0-29B-A4B-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 264，趋势分 245。标签：xing4_0、conversational、custom_code、base_model:XingChen-AGI/Xing4.0-29B-A4B、base_model:quantized:XingChen-AGI/Xing4.0-29B-A4B。（点赞 264 · 趋势分 245）
在 Hugging Face 查看
排行第十一：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 710，趋势分 240。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 710 · 趋势分 240）
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 671，趋势分 230。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 671 · 趋势分 230）
在 Hugging Face 查看
论文
排行第一：用Jev决策模型替代LLM实现低延迟边缘服务编排
本文提出将Jev的决策导向API集成到边缘服务编排中，以减少自然语言服务请求的延迟开销。该方法提取4到8个有界的意图字段，并应用共享验证器、准入策略和调度器，同时考虑请求时间线中的决策等待。研究在8280个已验证请求上比较了Jev、两种自托管决策模型和三种托管大语言模型的性能，并在具有模拟执行和真实光通信的实时准入路径上进行了评估。（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
本文介绍Ego2Act基准，用于评估视频生成模型作为具身规划和学习的世界模拟器的能力。该基准关注模型不仅生成视觉上吸引人的帧，还需预测执行目标导向动作时环境的动态演变。与现有主要评估单步短动作的基准不同，Ego2Act专门针对多步物理推理，特别是在以自我为中心的视频生成中，要求通过执行多个现实世界操作来规划模拟以实现高级目标。（论文赞 25）
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实现长上下文个性化
本文提出MemFold方法，优化固定预算的软记忆，以支持长期服务同一用户的助手。该方法解决如何从用户揭示的信息中回答哪些偏好仍有效、哪些已修订以及当前适用的约束。与将信息保留为文本或压缩为潜在向量的传统方法不同，MemFold通过其支持的行为直接优化记忆，避免依赖读者未产生的序列进行重建或模仿参考答案的评分。（论文赞 7）
在 Hugging Face 查看
排行第四：视频生成模型：训练后处理与对齐技术综述
本文综述视频生成模型的训练后处理和对齐策略。视频生成已从短低质量片段发展到具有复杂时空动态的高分辨率长序列，但预训练模型常难以可靠遵循人类意图、保持时间一致性或满足物理安全约束。与图像和文本生成相比，视频对齐面临独特挑战，包括随时间错误累积、运动-外观耦合、多目标权衡及时间属性监督有限。这些挑战促使需要系统性的训练后策略来适应预训练模型。（论文赞 54）
在 Hugging Face 查看
排行第五：Persona Dosing：用于分级特质控制的校准激活引导
本文研究Persona Dosing方法，通过特质描述和请求的平均强度来控制语言模型。该方法在角色响应上专门化一个共享的、描述条件化的FLAS控制器，然后根据测量的特质表达校准其流时间。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上，PersonaDose在核心特质表达上相比对比激活加法有显著提升，并通过校准实现请求强度的精确控制。（论文赞 46）
在 Hugging Face 查看
排行第六：Transformer过早停止思考，微小LoRA可修复
本文发现预训练Transformer在上下文中跟踪引用时仅使用少量深度。13个基础模型可靠跟踪仅1.4到3.6行，额外预训练循环改善有限。在早期层添加任务训练的rank-8 LoRA（模型权重冻结）可扩展计算：Qwen3-8B在24行链上的准确率从15.5%提升至99%；更长训练的LoRA达到50行。Ouro-1.4B经过四个循环达60行，八循环后至少160行。LoRA启动接力：程序行通过中间层短范围传递链身份，冻结头逐步读取链上游，移除父行注意力会停止接力。（论文赞 67）
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
提出Honeycomb视频世界模型，基于HexMemory低秩表示，在固定大小的记忆中存储场景特征，通过六种时空平面实现高效记忆管理，支持长期视频生成中的场景一致性。（论文赞 5）
在 Hugging Face 查看
排行第八：X-Tree：可复用经验的分词用于高效智能体泛化
提出X-Tree方法，从数据中自动恢复任务中的层次结构，通过可复用性评分合并动作片段，训练智能体时利用该结构，避免依赖大语言模型，提升泛化能力。（论文赞 54）
在 Hugging Face 查看
排行第九：OpenTumorBoard：多学科肿瘤讨论轨迹基准
构建OpenTumorBoard基准，包含611个患者案例和19,157次讨论，基于真实肿瘤会议录音，评估LLM在临床问答和治疗建议共识生成中的表现。（论文赞 13）
在 Hugging Face 查看
排行第十：Keyword Harnesses Fail Open：工具使用声明的诊断阶梯
发现关键词匹配评估中存在小模型虚假工具使用现象，提出一套严格的低成本诊断方法，通过训练样本复现检查区分真实与虚假工具调用能力。（论文赞 5）
在 Hugging Face 查看
排行第十一：ScholarCatalyst：启发新研究的论文检索基准
构建ScholarCatalyst基准，由184名计算机科学论文作者标注哪些先前论文推动了其研究，用于评估AI系统识别关键启发性研究的能力。（论文赞 11）
在 Hugging Face 查看
排行第十二：在线或离线学习？蒸馏动态的系统研究
在受控的强到弱蒸馏设置中，系统研究了 rollout 策略对模型蒸馏动态的影响，分析了不同策略、学习率和KL方向对Llama3和Qwen2.5模型在多领域任务中的影响。（论文赞 175）
在 Hugging Face 查看
