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 1310，趋势分 1217。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1310 · 趋势分 1217）
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 5200，趋势分 737。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5200 · 趋势分 737）
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 3192，趋势分 693。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3192 · 趋势分 693）
在 Hugging Face 查看
排行第四：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 521，趋势分 507。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 521 · 趋势分 507）
在 Hugging Face 查看
排行第五：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 6389，趋势分 464。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6389 · 趋势分 464）
在 Hugging Face 查看
排行第六：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 464，趋势分 443。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 464 · 趋势分 443）
在 Hugging Face 查看
排行第七：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 377，趋势分 356。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 377 · 趋势分 356）
在 Hugging Face 查看
排行第八：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 16977，趋势分 346。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16977 · 趋势分 346）
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 413，趋势分 292。标签：computer-vision、visionhope。（点赞 413 · 趋势分 292）
在 Hugging Face 查看
排行第十：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 2964，趋势分 287。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2964 · 趋势分 287）
在 Hugging Face 查看
排行第十一：Qwen3.8-Flash-Next-GSQ-RCO-GGUF（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 580，趋势分 220。标签：gsq、rco、quantization、mixed-precision、ist-daslab。（点赞 580 · 趋势分 220）
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 687，趋势分 212。标签：nemo、nemotron3_diarization、audio-frame-classification、speaker-diarization、streaming-sortformer。（点赞 687 · 趋势分 212）
在 Hugging Face 查看
论文
排行第一：多语言GSM-Symbolic：能力跨语言迁移的决定因素
本文研究大型语言模型在一种语言中习得的能力如何迁移到其他语言，以及影响这种迁移的关键因素。作者指出现有评估方法存在数据集不可比、易饱和等问题。为解决此问题，他们构建了Multilingual GSM-Symbolic数据集，包含15种语言的3万对匹配数学问题，采用符号模板防止过拟合。该研究旨在识别能力迁移的预测因素，避免全语言对 exhaustive 评估，帮助开发者针对低资源语言性能瓶颈进行优化。（论文赞 6）
在 Hugging Face 查看
排行第二：通过模型路由与协作的集体偏见缓解
本文针对大型语言模型在公共卫生、金融等关键领域部署时的偏见放大问题，提出集体偏见缓解框架。该方法突破单一模型自去偏见的局限，通过分析细粒度模型行为并促进多模型间知识共享来减轻偏见。研究首次系统性地探索模型协作去偏见机制，旨在提升LLMs的公平性，确保其输出符合社会价值观。（论文赞 1）
在 Hugging Face 查看
排行第三：反思SFT的token重加权：抑制、反转与特征外推
本文通过统一策略损失视角重新审视监督微调中的token重加权方法。研究发现现有方法对示范token赋予非负系数，虽能抑制或放大监督更新，但无法逆转已学习的有害特征。作者指出更大训练权重不等于特征外推，因其改变优化轨迹而非缩放固定方向。论文论证了特征反转和外推的必要性，为改进SFT提供新思路。
在 Hugging Face 查看
排行第四：渐进式视觉规划的世界动作建模
针对现有世界动作模型长时预测效率低的问题，提出ProWAM模型。该模型通过联合预测动作和有序稀疏视觉子目标序列，为任务执行提供显式视觉引导。相比生成完整视频或单帧的方法，渐进式设计能有效锚定动作生成过程，提升机器人长时程控制性能。（论文赞 30）
在 Hugging Face 查看
排行第五：LVMT：长时视频分割的视频掩码Transformer
为解决长视频中物体跟踪因遮挡和记忆限制导致的难题，提出LVMT模型。采用轻量级GRU时序传播模块自适应选择跨时间信息，同时引入截断查询传播训练策略突破长视频训练瓶颈。该方法有效改善模型对长期遮挡的鲁棒性，提升复杂场景下的分割性能。（论文赞 1）
在 Hugging Face 查看
排行第六：高效推理训练未必损害CoT忠实度与可监控性
本研究探讨减少推理token的高效训练方法是否会影响思维链的忠实度。通过分析不同效率方法对CoT长度压力的作用机制，论证任务特性与训练方式的交互影响。研究旨在厘清高效训练与CoT可信度间的实际关系，为平衡推理效率与可解释性提供实证依据。（论文赞 5）
在 Hugging Face 查看
排行第七：Dream4ACT：多化身视频-动作建模的共享视觉动作接口
视频生成模型具备时空先验，但关节空间动作向量缺乏图像结构且跨化身语义维度不同，难以直接利用其先验；末端执行器可视化无法提供完整机器人执行配置。本文提出Dream4ACT世界模型，通过‘动作视图’共享视觉接口统一化身动作表示，实现跨化身视频-动作联合建模。（论文赞 1）
在 Hugging Face 查看
排行第八：空间记忆智能：为世界模型赋予理解驱动的长期记忆
长视频生成和世界模型需依赖长期记忆预测未来，但长序列空间上下文管理困难。本文基于多模态大语言模型的空间推理能力，提出首个利用理解模型进行系统性记忆管理的框架——空间记忆智能（SMI），旨在为世界模型赋予理解驱动的长期记忆。（论文赞 10）
在 Hugging Face 查看
排行第九：VeriHarness：面向长时程任务的代理验证能力扩展
大语言模型代理处理复杂长时程任务时，无参考答案的输出验证极具挑战。重复采样产生的多轨迹含互补正确信息，但需可靠机制判断可信度。研究发现分歧常暴露正确选项，共识可能掩盖错误。VeriHarness通过为基础LLM提供工作空间和证据，将其转化为代理验证器。（论文赞 7）
在 Hugging Face 查看
排行第十：世界动作模型的视频原生动作先验学习
世界动作模型依赖标注机器人轨迹，但仅观察视频含丰富交互动态。现有方法或预训练视觉表示再适配控制，或推断潜在动作再落地。NAVA-WAM直接从仅观察视频预训练动作策略，实现原生动作先验学习，避免间接转换或额外潜在动作模型。（论文赞 23）
在 Hugging Face 查看
排行第十一：从检索到类型决策：生物医学句子编码器的校准System One模型
类型化决策模型需回答结构化问题并输出可阈值化概率。本文探讨生物医学检索用句子编码器是否适用于此，提出SBERT2S1（转化为多类决策模型）、生物医学决策套件BIODECIDE及243k训练数据MEDLINE-S1。研究发现检索训练提升零样本内容匹配，微调效果依赖模型头部设计。（论文赞 1）
在 Hugging Face 查看
排行第十二：Pivot-SD：面向掩码扩散语言模型的高效自蒸馏
掩码扩散语言模型（dLMs）适用于复杂推理，但存在信用分配问题——少数关键生成步骤决定剩余响应。现有post-training多训练最终文本或奖励整体步骤，未利用关键信号。Pivot-SD是高效离线自蒸馏框架，仅监督这些高影响的关键生成步骤。（论文赞 21）
在 Hugging Face 查看
