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 1367，趋势分 1272。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1367 · 趋势分 1272）
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 5210，趋势分 717。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5210 · 趋势分 717）
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 3215，趋势分 691。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3215 · 趋势分 691）
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 572，趋势分 555。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 572 · 趋势分 555）
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 6430，趋势分 478。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6430 · 趋势分 478）
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 484，趋势分 463。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 484 · 趋势分 463）
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 402，趋势分 381。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 402 · 趋势分 381）
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 16993，趋势分 339。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 16993 · 趋势分 339）
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 2975，趋势分 281。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2975 · 趋势分 281）
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 319，趋势分 261。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 319 · 趋势分 261）
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 591，趋势分 221。标签：gsq、rco、quantization、mixed-precision、ist-daslab。（点赞 591 · 趋势分 221）
在 Hugging Face 查看
论文
排行第一：超越未来预测：去噪作为机器人控制的生成适应
本文探讨预训练生成扩散变换器（DiT）如何适应机器人控制，而非依赖未来视觉预测。作者提出NowWAM方法，通过去噪当前观测并与动作预测共同训练，分析DiT在动作学习中的贡献，旨在更有效地迁移生成先验至控制任务。
在 Hugging Face 查看
排行第二：从梯度到能力：理解多教师策略蒸馏
研究多教师策略蒸馏（MOPD）中教师信号如何影响学生模型参数更新。使用Qwen3-1.7B和SmolLM3-3B模型，分析梯度、优化器更新和任务学习曲线，发现损失平均会隐式加权响应，而Adam优化器会减少参数更新差异。
在 Hugging Face 查看
排行第三：WEFT：通用智能体工具使用的规模化后训练
提出WEFT方法，通过整体系统演化解决工具使用后训练的规模化问题。它耦合可扩展的智能体交互系统构建、执行驱动的自我演化和稳定后训练，确保所有组件协同作用以提供可靠学习信号。（论文赞 2）
在 Hugging Face 查看
排行第四：通过故障库自进化从运行时反馈学习VLA模型
针对视觉-语言-动作（VLA）模型在复杂环境中平衡任务成功与意外接触的挑战，提出FailBank框架。它利用运行时安全模块作为观察教师，生成反事实修正，并通过四阶段自进化将反馈转化为策略持续改进。（论文赞 1）
在 Hugging Face 查看
排行第五：能下棋并解释棋步的语言模型
介绍Queen模型，一个4B参数的象棋-语言模型，能在达到特级大师水平的同时解释棋步和计划。采用编码器-解码器架构和迭代蒸馏算法，整合无声专家象棋编码器与指令调优语言模型，实现领域特定推理。（论文赞 5）
在 Hugging Face 查看
排行第六：模态动态排版：敲响和弦！
提出模态动态排版方法，通过矢量字形自然振动模式生成动画，表达语义概念同时保持可读性。利用有限元特征问题求解软模态，并以冻结视频扩散模型监督振幅和相位，克服先前工作的弱点。
在 Hugging Face 查看
排行第七：排名质量相同但决策不同：衡量与减少LLM评分器的顺序依赖
在文档重排、响应排序等任务中，LLM评分器会同时给多个候选打分，但候选顺序会影响分数，导致相同查询和候选下决策不同（如阈值保留内容）；研究发现排名质量接近的评分器，其保留的候选集合重叠度低，需解决顺序依赖问题。（论文赞 2）
在 Hugging Face 查看
排行第八：接收者条件化潜在通信实现94%缓存回退
多智能体系统通过传输KV缓存而非文本消息通信，但完整缓存会线性增长导致内存问题；研究发现智能体只需发送接收方任务所需内容，提出接收者条件化方法，有效降低内存和上下文成本，缓存回退率达94%。
在 Hugging Face 查看
排行第九：FrugalEvo：迈向成本感知的LLM引导程序进化
现有LLM引导的进化方法（如AlphaEvolve）多固定迭代次数优化性能，而实际需最大化单位成本收益；FrugalEvo用更强LLM探索解决方案策略，更便宜LLM实施并迭代优化代码，还设计缓存高效流程共享前缀，提升成本效益。（论文赞 4）
在 Hugging Face 查看
排行第十：早期问题的计算能帮助LLM解决新问题吗？
LLM在对话中解决独立问题时，保留的历史计算会提升或降低后续准确率；研究用受控重放发现，不同历史下的内部状态变化会保留当前问题间的相似关系；为改善历史保留下的推理，引入STAIR捕捉早期响应的键值，实现查询间复用。（论文赞 2）
在 Hugging Face 查看
排行第十一：长视野自回归视频生成的滚出边际蒸馏
自回归视频扩散生成虽低延迟，但长滚出会积累预测误差；现有视频级蒸馏联合评估整个序列，可能导致块修正时匹配周围伪影；RMD保留生成历史，独立评估每个块以对抗噪声，提供更清晰的视觉质量信号。（论文赞 3）
在 Hugging Face 查看
排行第十二：多语言GSM-符号：跨语言能力迁移的决定因素是什么？
目前对跨语言能力迁移机制了解不足，因评估依赖不可比数据集且难联合考察决定因素；研究引入Multilingual GSM-Symbolic，覆盖15种语言的3万项匹配数学题（用符号模板防过拟合），旨在识别迁移决定因素，助力低资源语言性能提升。（论文赞 11）
在 Hugging Face 查看
