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 1339，趋势分 1246。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1339 · 趋势分 1246）
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 5206，趋势分 724。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5206 · 趋势分 724）
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 3208，趋势分 690。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3208 · 趋势分 690）
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 555，趋势分 540。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 555 · 趋势分 540）
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 6420，趋势分 477。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6420 · 趋势分 477）
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 475，趋势分 454。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 475 · 趋势分 454）
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 392，趋势分 371。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 392 · 趋势分 371）
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 16983，趋势分 338。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16983 · 趋势分 338）
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 415，趋势分 294。标签：computer-vision、visionhope。（点赞 415 · 趋势分 294）
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 2972，趋势分 283。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2972 · 趋势分 283）
在 Hugging Face 查看
排行第十一：JEV-27B-VL（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 268，趋势分 218。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 268 · 趋势分 218）
在 Hugging Face 查看
排行第十二：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 584，趋势分 215。标签：gsq、rco、quantization、mixed-precision、ist-daslab。（点赞 584 · 趋势分 215）
在 Hugging Face 查看
论文
排行第一：WEFT：通用智能体的工具使用后训练扩展方法
本文提出WEFT系统，通过耦合可扩展的智能交互系统构建、执行驱动的自我进化与稳定的后训练过程，解决当前工具使用后训练扩展中环境合成单一性问题。该方法强调智能交互系统中环境、任务、代理框架和评估器等组件的协同作用，确保可靠学习信号。（论文赞 1）
在 Hugging Face 查看
排行第二：基于失败库自进化的视觉语言动作模型
针对机器人操作任务中安全模块与策略不匹配问题，提出FailBank四阶段自进化框架。该系统通过固定安全模块作为观察教师产生反事实修正，将运行时反馈转化为持续策略改进，平衡任务成功率与意外接触风险。（论文赞 1）
在 Hugging Face 查看
排行第三：会下棋且能解释的Queen语言模型
开发4B参数的Queen棋语模型，整合无声专家棋局编码器与指令调优语言模型，实现国际特级大师水平的对弈能力，同时生成合理的走棋解释。通过编码器-解码器架构和迭代蒸馏算法实现领域特定推理。（论文赞 2）
在 Hugging Face 查看
排行第四：模态动态字体设计方法
提出基于自然振动模式的矢量字形动画技术，通过有限元特征问题求解字形轮廓的柔性模态，实现语义表达与可读性兼顾的动态效果。采用冻结视频扩散模型监督模态振幅和相位，解决现有方法的两大缺陷。
在 Hugging Face 查看
排行第五：LLM评分器的顺序依赖性研究
研究LLM在文档重排序等任务中因候选项目提示顺序变化导致的评分差异问题。实验发现即使nDCG@10差异小于0.010的五个训练评分器，其保留集合重叠率也存在显著差异。（论文赞 1）
在 Hugging Face 查看
排行第六：接收者条件化潜在通信实现94%缓存回传
针对多智能体系统中KV缓存通信带来的内存压力问题，提出接收者条件化方法。该方法仅传输接收方执行本地任务所需信息，在保持准确性和延迟优势的同时，显著降低通信开销。
在 Hugging Face 查看
排行第七：FrugalEvo：面向成本感知的LLM程序演化
提出一种成本感知的进化框架FrugalEvo，利用高性能但高成本的LLM探索解决方案策略，由低成本LLM实现并迭代优化代码，同时设计缓存高效的进化过程以提高效率。（论文赞 3）
在 Hugging Face 查看
排行第八：早期问题计算能否帮助解决新问题？
研究大语言模型在对话中解决独立问题时，早期问题的计算是否有助于后续问题的解决，提出STAIR方法，通过保留历史信息中的键值对来提升推理能力。（论文赞 2）
在 Hugging Face 查看
排行第九：长时程自回归视频生成的回放边际蒸馏
针对自回归视频生成中预测误差累积的问题，提出Rollout-Marginal Distillation方法，独立评估每个视频片段以提供更清晰的视觉质量信号，提升生成效果。（论文赞 3）
在 Hugging Face 查看
排行第十：多语言GSM符号数据集：能力迁移因素
构建多语言GSM符号数据集，研究不同语言间能力迁移的决定因素，通过符号模板防止过拟合，支持跨语言能力评估与迁移机制分析。（论文赞 10）
在 Hugging Face 查看
排行第十一：通过模型路由与协作的集体偏见缓解
提出集体偏见缓解框架CBM，通过学习细粒度模型行为并促进多样化LLM之间的知识共享，缓解训练数据中的偏见，提升公平性。（论文赞 2）
在 Hugging Face 查看
排行第十二：重新思考SFT中的令牌重加权
从统一策略损失视角重新审视令牌重加权方法，指出现有方法无法逆转已学习的有害特征，提出抑制、反转和外推学习特征的新策略。（论文赞 1）
在 Hugging Face 查看
