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 1397，趋势分 1301。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1397 · 趋势分 1301）
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 5215，趋势分 709。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5215 · 趋势分 709）
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 3229，趋势分 689。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3229 · 趋势分 689）
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 581，趋势分 563。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 581 · 趋势分 563）
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 6445，趋势分 482。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6445 · 趋势分 482）
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 494，趋势分 472。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 494 · 趋势分 472）
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 409，趋势分 388。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 409 · 趋势分 388）
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 17003，趋势分 341。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17003 · 趋势分 341）
在 Hugging Face 查看
排行第九：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 372，趋势分 304。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 372 · 趋势分 304）
在 Hugging Face 查看
排行第十：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 416，趋势分 295。标签：computer-vision、visionhope。（点赞 416 · 趋势分 295）
在 Hugging Face 查看
排行第十一：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 2979，趋势分 279。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 2979 · 趋势分 279）
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 596，趋势分 225。标签：gsq、rco、quantization、mixed-precision、ist-daslab。（点赞 596 · 趋势分 225）
在 Hugging Face 查看
论文
排行第一：4DCodeBench：动态场景逆向图形智能体基准
本文介绍了4DCodeBench，一个通过代码生成进行4D逆向图形的基准测试。该基准要求智能体从视频中重建动态场景，并将其表示为可执行的图形程序。智能体需要将视觉观察转化为场景结构和动态的紧凑表示，通过实现物理模拟等抽象来复现复杂行为。为评估此能力，研究收集了真实世界视频并构建了涵盖变形、流体流动和断裂等多种物理现象的合成场景。对前沿模型进行了广泛基准测试，发现强大的静态重建能力尚未能有效转化为动态场景重建。（论文赞 2）
在 Hugging Face 查看
排行第二：CVaR策略评估的尾部影响采样
本文研究在随机工作流中如何分配固定评估预算以最准确估计策略的条件风险价值（CVaR）。具有相似平均回报的策略在罕见故障中可能表现迥异，但准确估计尾部CVaR通常需要大量昂贵的模拟。当可以分别查询随机工作流的不同条件组件时，研究推导了每个可查询条件律的尾部影响，该影响聚合了其不确定性在所有贝尔曼复用中对CVaR的影响。其方差给出了固定设计效率边界和最优Neyman分配。尾部影响采样（TIS）从试点模型估计这些影响尺度，并重新分配新的查询预算。（论文赞 11）
在 Hugging Face 查看
排行第三：KeyRec：流式与长视频理解的有限视觉记忆
针对视觉语言模型在处理长视频和连续流时视觉令牌积累导致推理成本过高的问题，本文提出KeyRec这一无需训练的有界视觉记忆框架。现有免训练视觉令牌选择方法通过保留信息性令牌来降低成本，但可能丢失连贯事件证据且难以区分近期细节观察与长期历史。KeyRec在查询无关的写入阶段，将细粒度近期观察保存在视觉缓存中，并将历史证据组织成结构化事件库。候选事件经过筛选以构建有限记忆，平衡细节保留与历史连贯性。（论文赞 3）
在 Hugging Face 查看
排行第四：检索式开放评估失败何在？医学答案事实性验证分类
检索式事实性评估已成为高风险临床环境中可扩展幻觉检测的主流范式，即根据权威医学语料库验证LLM生成声明。尽管可靠透明的医学事实验证至关重要，但多数系统使用F1等聚合指标衡量性能，掩盖了失败的具体位置和原因。现有RAG诊断需要黄金答案或标注证据，而该领域缺乏此类数据。基于MedExpert开放数据集和3个封闭数据集的案例研究，本文引入了两个综合分类法，将失败分解为检索和验证错误类型，以揭示系统薄弱环节。（论文赞 1）
在 Hugging Face 查看
排行第五：RealCompanion：基于真实长期对话的理解推理基准
本文发布RealCompanion基准，用于评估AI伴侣通过长期真实对话理解用户的能力。一个与人交谈数月的伴侣应能记住对话内容、推断用户身份并识别历史信息对当前消息的影响。由于真实对话记录涉及隐私，现有基准通常生成模拟数据。该基准包含10段真实AI伴侣关系，涵盖27,218条消息（最长120天），释放对话记录及衍生文件（用户档案、角色、聊天真值和问题集），每个标签均附带产生它的推理轨迹并经过逐阶段验证。（论文赞 71）
在 Hugging Face 查看
排行第六：MinkowskiPE：时空感知的闵可夫斯基位置编码
建模时空耦合是构建从微观到宏观的物理智能的关键挑战。现有模型通过物理驱动的动力学公式或学习驱动的架构捕获这种结构，前者提供强先验但可能限制灵活性，后者更灵活但时空耦合多为隐式表达。本文提出闵可夫斯基位置编码（MinkowskiPE），通过联合时空坐标参数化洛伦兹流形上的位置编码，将灵活学习与显式几何偏置相结合，为联合建模时间与空间提供新方法。（论文赞 5）
在 Hugging Face 查看
排行第七：Latent-MOPD: 隐空间多教师在线 distillation
提出一种新的多教师在线知识蒸馏方法Latent-MOPD，通过融合教师模型的输出分布和隐藏状态来训练学生模型，无需额外训练教师，实现更有效的知识迁移。（论文赞 15）
在 Hugging Face 查看
排行第八：QuantWM: 视频世界模型的2比特KV缓存量化
针对视频世界模型中KV缓存内存瓶颈问题，提出一种时间一致的2比特KV缓存量化方法，解决现有方法在视频生成中出现的时序闪烁和视觉退化问题。（论文赞 3）
在 Hugging Face 查看
排行第九：超越未来预测：去噪作为机器人控制的生成适应
研究预训练生成式扩散变换器在机器人控制中的迁移机制，提出无需未来目标的联合训练框架，通过去噪当前观测来预测动作，提升控制性能。（论文赞 7）
在 Hugging Face 查看
排行第十：从梯度到能力：多教师在线蒸馏的理解
分析多教师在线蒸馏中教师信号对参数更新的影响，研究损失平均、优化器更新等因素如何影响模型学习，揭示教师信号的内在机制。
在 Hugging Face 查看
排行第十一：WEFT: 工具使用后训练的系统性扩展
提出WEFT框架，通过构建可扩展的智能体交互系统、执行驱动的自我进化和稳定后训练，实现工具使用能力的系统性提升。（论文赞 5）
在 Hugging Face 查看
排行第十二：从运行时反馈学习：失败库自进化
针对视觉语言动作模型在复杂环境中任务成功与意外接触的平衡问题，提出FailBank框架，利用运行时反馈持续改进策略，实现策略的自我进化。（论文赞 2）
在 Hugging Face 查看
