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 4434，趋势分 2011。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 4434 · 趋势分 2011）
在 Hugging Face 查看
排行第二：Audio8-ASR-Infinite（语音识别）
Hugging Face 趋势榜上的模型，任务类型是语音识别，点赞 1463，趋势分 1286。标签：audio8_asr_infinite、text-generation、streaming、realtime、speech-recognition。（点赞 1463 · 趋势分 1286）
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 2368，趋势分 1197。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 2368 · 趋势分 1197）
在 Hugging Face 查看
排行第四：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 2636，趋势分 808。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2636 · 趋势分 808）
在 Hugging Face 查看
排行第五：TeleOCR（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 847，趋势分 714。标签：qwen2_5_vl、ocr、document-parsing、multimodal、conversational。（点赞 847 · 趋势分 714）
在 Hugging Face 查看
排行第六：Xing4.0-29B-A4B（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 1803，趋势分 530。标签：xing4_0、conversational、custom_code。（点赞 1803 · 趋势分 530）
在 Hugging Face 查看
排行第七：CLM-v0.1-8B（text-ranking）
Hugging Face 趋势榜上的模型，任务类型是text-ranking，点赞 506，趋势分 499。标签：contrastive-lm、clm、contrastive-learning、verifier、reranker。（点赞 506 · 趋势分 499）
在 Hugging Face 查看
排行第八：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 493，趋势分 476。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 493 · 趋势分 476）
在 Hugging Face 查看
排行第九：ZDTaichu5.0-9B（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 1895，趋势分 396。标签：zdtaichu5_0、multimodal、vision-language-model、spatial-reasoning、agent。（点赞 1895 · 趋势分 396）
在 Hugging Face 查看
排行第十：Ternary-Bonsai-2-27B-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 2253，趋势分 396。标签：llama.cpp、ternary、2-bit、cuda、metal。（点赞 2253 · 趋势分 396）
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 406，趋势分 391。标签：diffusers、lora、image-to-image、image-editing、distillation。（点赞 406 · 趋势分 391）
在 Hugging Face 查看
排行第十二：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 16531，趋势分 373。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16531 · 趋势分 373）
在 Hugging Face 查看
论文
排行第一：FactorEngram：基于基底门控的因子化 N-gram 记忆
基于查找表的记忆机制是扩展大型语言模型（LLMs）参数的有效方法。它通过检索局部令牌模式（如 N-gram）的已学习表示，而不是通过多层计算重建这些表示。然而，现有的设计如 Engram 将每个检索到的嵌入视为一个整体单元，无法根据上下文选择性地读取多义模式的记忆组件。此外，参数共享主要通过哈希冲突实现，与语义关系不大。我们提出 FactorEngram，通过基底门控实现因子化嵌入，以解决这些问题。（论文赞 1）
在 Hugging Face 查看
排行第二：硬视觉，易视觉：GPT-6 Astra 在计算机视觉中的表现
前沿的通用系统正在迅速扩展到传统上由专用计算机视觉模型处理的能力。随着这些能力的扩展，计算机视觉社区的一个核心问题是这些系统的覆盖范围有多广，哪些任务仍然困难。我们评估了 GPT-6 Astra 与五个前沿通用 AI 系统在 34 项能力和 55 个基准测试中的表现，涵盖了计算机视觉的九个领域。与合适的专用模型和人类参考相比，Astra 在视觉和空间推理等方面表现出显著优势。（论文赞 8）
在 Hugging Face 查看
排行第三：DISCO：分布式长上下文扩展与基底-推理解耦
尽管大型语言模型（LLMs）宣称支持百万令牌的上下文窗口，但随着输入的增长，推理质量往往下降，这种现象称为上下文退化。这种失败源于整体架构中的结构纠缠，其中上下文基底的大量搜索负担耗尽了复杂推理所需的表示能力。我们提出了一种基于分布式长上下文扩展（DISCO）的基底-推理解耦方法，通过将长上下文分配给专门用于并行局部基底的 Worker LLMs，以及一个通过强化学习训练的中央 Driver LLM 来实现。（论文赞 1）
在 Hugging Face 查看
排行第四：达到标准：用于四边形块分解的强化学习
四边形块分解的质量取决于其是否完整、元素形状是否良好以及顶点的不规则性。顶点不规则性的最小值可以通过离散高斯-博内特恒等式来证明。我们训练了一个强化学习代理，以达到这一最小值，称为标准。该代理直接通过局部编辑操作在网格的半边数据结构上，其卷积操作遵循网格自身的连接性，因此可以应用于更大的领域。
在 Hugging Face 查看
排行第五：G^2PTQ：基于广义梯度补偿的 LLM 量化改进
后训练量化（PTQ）是一种在不重新训练的情况下减少大型语言模型（LLMs）内存和计算开销的实用方法。基于 GPTQ 的方法已成为标准，但它们存在两个互补的限制：局部目标方法缺乏全局监督；全局目标方法在量化过程中固定海森矩阵估计值，忽略一阶梯度，导致指导信息逐渐过时。我们提出 G^2PTQ，一种结合了一阶和二阶信息的统一 PTQ 框架，通过全局监督和块级优化来改进量化。（论文赞 1）
在 Hugging Face 查看
排行第六：GAGAR：代码代理 RL 的群体代理评分和优势重分配
代码代理的强化学习（RL）通常使用可执行测试提供二元奖励。这些奖励使得 Group Relative Policy Optimization（GRPO）在每个 rollout 组中为通过测试的轨迹分配相同的优点，忽略了实现质量和任务要求的差异。这导致策略无法区分干净、目标明确的实现和包含不必要的或超出范围的更改的实现。我们引入了 GAGAR，一种用于代码代理 RL 的质量感知信用重分配框架，通过动态采样保留包含通过和未通过轨迹的组，将所有轨迹置于同一评估标准下。（论文赞 40）
在 Hugging Face 查看
排行第七：Relic：从多智能体协作到组织持久能力
本文提出Relic系统，将组织中反复出现的协作失败转化为可执行的组织协议。通过让成员反思可见工作、提出规则并治理其采纳，实现知识的持续传承。协议绑定触发条件、责任、证据和执行后果，同时保持可修订性。（论文赞 4）
在 Hugging Face 查看
排行第八：Nereus：LLM后训练的自适应并行
针对大型语言模型后训练中资源变化带来的执行计划适应性问题，Nereus提出一种成本感知运行时系统。它能够动态调整GPU资源分配，处理模型间协调与迁移挑战，提升训练效率与稳定性。（论文赞 5）
在 Hugging Face 查看
排行第九：FlowTool：基于流匹配的图像修图工具控制
本文提出FlowTool框架，将图像修图任务建模为流匹配问题。通过视觉语言模型和扩散变换器联合生成高质量工具参数，实现更高效、准确的工具参数控制与编辑方案生成。（论文赞 12）
在 Hugging Face 查看
排行第十：递归 Harness 深度学习用于机器人操作
本文提出递归Harness蒸馏方法，通过强智能体向轻量智能体传递经验知识，实现操作干预知识的积累与复用。该方法在新任务中提升机器人操作的适应性和成功率。（论文赞 25）
在 Hugging Face 查看
排行第十一：SMAT：简单高效的合并感知训练
本文提出SMAT方法，通过模拟合并操作优化专家损失与期望损失，提升模型合并后的性能。该方法考虑了缩放、掩码和扰动三种常见合并操作，降低训练成本并提高效率。（论文赞 1）
在 Hugging Face 查看
排行第十二：哪种掩码几何结构最适合EEG基础模型？
本文系统研究了EEG基础模型预训练中掩码策略的设计选择，通过MAE和JEPA两种自监督框架在不同掩码配置下评估性能，为掩码几何结构优化提供实证依据。
在 Hugging Face 查看
