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 1545，趋势分 1426。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1545 · 趋势分 1426）
在 Hugging Face 查看
排行第二：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 3306，趋势分 685。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3306 · 趋势分 685）
在 Hugging Face 查看
排行第三：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 800，趋势分 642。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 800 · 趋势分 642）
在 Hugging Face 查看
排行第四：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 5252，趋势分 630。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5252 · 趋势分 630）
在 Hugging Face 查看
排行第五：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 651，趋势分 626。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 651 · 趋势分 626）
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 548，趋势分 523。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 548 · 趋势分 523）
在 Hugging Face 查看
排行第七：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 6534，趋势分 500。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6534 · 趋势分 500）
在 Hugging Face 查看
排行第八：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 421，趋势分 400。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 421 · 趋势分 400）
在 Hugging Face 查看
排行第九：GEV-26B-Decide（文本分类）
Hugging Face 趋势榜上的模型，任务类型是文本分类，点赞 475，趋势分 364。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 475 · 趋势分 364）
在 Hugging Face 查看
排行第十：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 17055，趋势分 347。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17055 · 趋势分 347）
在 Hugging Face 查看
排行第十一：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 426，趋势分 302。标签：computer-vision、visionhope。（点赞 426 · 趋势分 302）
在 Hugging Face 查看
排行第十二：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 3015，趋势分 282。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3015 · 趋势分 282）
在 Hugging Face 查看
论文
排行第一：Periscope：突破冻结语言模型的上下文窗口限制
论文提出了一种无需训练的推理方法Periscope，通过将文本分割为多个块并排列在网格中，让冻结的语言模型对局部和跨步的文本片段进行多次推理，从而提升长文本处理的准确性。每个块根据局部和跨步的得分进行评估，以提高模型对相关文档、支持选项和证据段落的判断能力。（论文赞 1）
在 Hugging Face 查看
排行第二：RobotUse：计算、上下文与决策的分配
论文介绍了RobotUse，一种用于机器人代理的框架，旨在将计算、上下文和决策过程组织起来，以指定和调整物理动作。代理通过视觉选择目标和姿态，后端负责几何、运动规划和控制。子代理保留每个子目标的详细交互信息，以支持后续决策。该方法支持持续的决策优化，提升机器人执行复杂任务的能力。（论文赞 4）
在 Hugging Face 查看
排行第三：基于表示空间MMD的扩散语言模型优化方法
论文提出了一种针对扩散语言模型（DLM）的后训练方法，通过最小化生成文本与参考文本在冻结预训练DLM特征空间中的最大平均差异（MMD）。该方法利用单次特征提取过程获取多个序列观察值，并分别使用策略梯度和直接对生成潜在变量求导来优化目标。实验表明，该方法能有效提升模型性能，无需完整的采样轨迹或联合训练的辅助模型。（论文赞 2）
在 Hugging Face 查看
排行第四：PerturBot：通过扰动训练打破视觉-语言-动作模型的快捷依赖
论文研究了视觉-语言-动作（VLA）模型在执行复杂任务时可能忽略关键证据的问题，例如物体靠近手腕摄像头时可能被误认为是目标。这种现象被称为模态快捷依赖，即某些视觉、语言或动作线索在训练中形成规律，导致模型无需任务相关证据即可预测专家行为。论文提出PerturBot方法，通过扰动训练打破这些依赖，提升模型的决策准确性。（论文赞 3）
在 Hugging Face 查看
排行第五：TextReg：通过正则化文本空间优化缓解提示分布过拟合
论文探讨了大语言模型（LLM）对提示高度敏感的问题，指出当前提示优化方法容易导致提示分布过拟合，即生成的提示过长、包含特定样本的规则，泛化能力差。论文提出TextReg方法，通过正则化文本空间优化，减少这种过拟合现象，提升提示的表示控制能力，从而增强模型的泛化性能。（论文赞 2）
在 Hugging Face 查看
排行第六：从知识获取到源学习：发展源特定能力
论文研究了大型语言模型（LLM）代理在解决知识密集型任务时如何依赖持续的外部知识源。现有方法主要优化知识源的访问和组织，但未充分考虑对同一知识源的重复使用作为逐步提升理解的机会。论文提出源学习的概念，通过构建持久的知识源模型，捕捉源中可重复使用的知识，包括其知识结构和表达方式，以提升代理对源的适应能力。（论文赞 2）
在 Hugging Face 查看
排行第七：QuantCode模型：专为可执行算法交易代码生成语言模型
大型语言模型是强大的通用代码生成器，但可执行算法交易仍然是一个苛刻的专业化目标：模型必须将自然语言策略说明符翻译成专用交易框架的正确程序逻辑，在历史数据上执行，生成交易，并保持与请求语义上的忠实。我们研究了两个互补的机制，用于专化语言模型为此环境：继续在算法交易框架代码上进行持续预训练和基于代理验证的请求到代码对的监督微调（SFT）。评估集中在QuantCode-Bench，我们为Backtrader策略生成提供的400任务基准，以及...（论文赞 3）
在 Hugging Face 查看
排行第八：Code2Games：从游戏世界生成编码代理
从自然语言游戏意图生成高质量游戏世界需要联合推理场景结构、空间布局、游戏目标、交互实体和执行游戏逻辑。现有编码代理可以生成单个资产、场景或脚本，但往往难以在这些组件之间保持一致性。我们提出Code2Games，一个代理框架，基于相同的游戏意图在基础Blender世界上构建结构化的游戏世界。Code2Games通过共享场景-游戏玩法表示协调场景分析、游戏玩法规划、受限游戏世界生成和游戏引擎定制，涵盖重新排序、同步、它们的组合以及跨任务组合的6种未在域内的条件...（论文赞 2）
在 Hugging Face 查看
排行第九：Memadapter：对抗记忆诱导的谄媚
长期记忆使基于LLM的代理能够在任务和会话之间保留和重用信息，支持个性化和长期交互。然而，持续的记忆也会诱导谄媚，导致代理过度对齐用户的历史信念，即使这些信念是不准确、过时的或不与客观证据一致的。现有缓解方法假设记忆诱导的谄媚源于有偏见或不正确的记忆，并尝试通过在记忆管道的不同阶段过滤此类记忆来减少这种风险。然而，在现实世界中，客观和正确的记忆仍然可能诱导谄媚，并且同一记忆可能需要不同的处理方式...（论文赞 6）
在 Hugging Face 查看
排行第十：缺失的原型：诊断和修复大型语言模型中的数学推理
虽然大型语言模型（LLMs）在前沿数学问题上展示了惊人的能力，但它们是否具备支撑这些解决方案的结构化数学理解仍不清楚。本文首次系统地研究LLMs中的数学理解，从诊断其独特的能力到利用这些发现改进后训练。我们首先引入“数学原型”的概念，以探测结构化的数学理解，并提出MathPrompt，一个新基准，评估数学推理沿四个不同维度：发现、生成、消化和执行。我们的系统化诊断揭示了LLMs在数学推理方面的四种能力...（论文赞 2）
在 Hugging Face 查看
排行第十一：通过自动诊断和技能发现训练数值智能
AI代理在生成科学代码方面越来越有能力，但生成代码并不等同于改进其背后的算法。对于数值求解器，执行反馈可以揭示不良性能，但很少揭示其根本原因和如何解决。我们引入了自动诊断和技能发现（ADSD），一个将数值诊断与可重用求解器自我改进链接起来的框架。ADSD采用先诊断后改进的范式，首先解释为什么求解器表现不佳，然后利用此诊断引导适当数值方法的技能发现。结果的知识被包装成可重用的求解器技能，将求解器改进从试错转变为系统性的知识驱动过程...（论文赞 3）
在 Hugging Face 查看
