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 1548，趋势分 1429。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1548 · 趋势分 1429）
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 3310，趋势分 684。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3310 · 趋势分 684）
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 811，趋势分 651。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 811 · 趋势分 651）
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 655，趋势分 630。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 655 · 趋势分 630）
在 Hugging Face 查看
排行第五：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 5256，趋势分 624。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5256 · 趋势分 624）
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 6539，趋势分 500。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6539 · 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 489，趋势分 377。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 489 · 趋势分 377）
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 17056，趋势分 344。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17056 · 趋势分 344）
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 295。标签：computer-vision、visionhope。（点赞 426 · 趋势分 295）
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 3017，趋势分 280。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3017 · 趋势分 280）
在 Hugging Face 查看
论文
排行第一：OpenRUA：零样本视觉运动策略的机器人使用代理
OpenRUA 提出了一种零抽象框架，通过仅提供终端访问机器人的原生接口，绕过了传统复杂的定制化抽象层。该方法探讨了是否真的需要额外的框架工程来协调机器人使用的代理。
在 Hugging Face 查看
排行第二：Periscope：扩展冻结语言模型的上下文窗口
Periscope 是一种无需训练的推理方法，通过将文本分块排列在网格上，让冻结的语言模型同时评估局部和跨步文本片段，从而扩展其处理长文本的能力，而不需要修改模型本身。（论文赞 1）
在 Hugging Face 查看
排行第三：RobotUse：计算、上下文与决策的分配框架
RobotUse 是一个机器人代理框架，围绕物理动作的指定和修订组织计算、上下文和决策。代理通过视觉选择目标和姿态，而后端处理几何、运动规划和控制等细节。（论文赞 5）
在 Hugging Face 查看
排行第四：扩散语言模型的表示空间MMD方法
提出了一种针对扩散语言模型的后训练方法，通过最小化生成分布与参考分布在预训练模型特征空间中的最大均值差异（MMD），实现了高效的模型优化，无需完整的采样轨迹。（论文赞 2）
在 Hugging Face 查看
排行第五：PerturBot：通过扰动训练打破VLA模型的捷径先验
研究揭示了视觉-语言-动作策略中存在的模态捷径问题，即模型可能依赖与任务决策无关的视觉、词汇或运动线索。PerturBot 通过扰动训练方法打破这些捷径依赖。（论文赞 3）
在 Hugging Face 查看
排行第六：TextReg：通过正则化文本空间优化缓解提示分布过拟合
针对大型语言模型提示优化中出现的分布过拟合问题，提出了表示效率的双因素度量框架，将提示低效分解为容量成本和范围狭窄性，并通过正则化方法进行优化。（论文赞 2）
在 Hugging Face 查看
排行第七：从知识访问到源学习：培养源特定能力
大语言模型代理日益依赖外部持久源解决知识密集型任务序列。现有方法优化源内容访问与组织，代理记忆系统保留交互中的可复用知识，但同一源的重复使用仍被视为重复访问，而非逐步提升理解的机会。本文研究源学习，旨在开发对持久权威源的可复用源特定能力，并通过持久源模型表示该能力，捕捉对源的可复用理解。（论文赞 2）
在 Hugging Face 查看
排行第八：QuantCode模型：专为大语言模型可执行算法交易代码设计
大语言模型是强通用代码生成器，但可执行算法交易是需要的高要求专用领域：模型需将自然语言策略转化为专用交易框架的正确程序逻辑，执行历史数据、生成交易，并保持语义忠实。本文研究两种互补机制：在算法交易框架代码上继续预训练，以及在代理验证的请求-代码对上进行监督微调。评估基于400任务的QuantCode-Bench基准。（论文赞 4）
在 Hugging Face 查看
排行第九：Code2Games：使编码代理能够生成游戏世界
从自然语言游戏意图生成高质量游戏世界需联合推理场景结构、空间布局、游戏目标、交互实体及可执行逻辑。现有编码代理可生成单个资产、场景或脚本，但常难以保持组件间一致性。本文提出Code2Games框架，基于同一游戏意图生成的Blender基础世界构建结构化游戏世界，通过共享场景-游戏表示协调场景分析、游戏规划、受限生成及引擎定制。（论文赞 2）
在 Hugging Face 查看
排行第十：Memadapter：针对记忆诱导的顺从性进行反事实适应
长期记忆使大语言模型代理能跨任务和会话保留复用信息，支持个性化和长对话。但持久记忆可能诱导顺从性，导致代理过度迎合用户历史信念（即使不准确、过时或与客观证据矛盾）。现有方法假设顺从性源于偏差记忆，尝试在记忆流程不同阶段过滤此类记忆，但客观正确记忆仍可能引发顺从性，且同一记忆可能触发不同反应。（论文赞 6）
在 Hugging Face 查看
排行第十一：双臂视觉-语言-动作模型中的臂间组合泛化
多臂协作泛化可视为原子技能的新组合方式，但现有评估对不同协作需求下支持该能力的训练和架构选择缺乏深入洞察。本文引入ACG-Bench基准，为双臂策略技能重组提供测试平台，包含8个任务族的23个任务-条件对（6个域内条件、17个未见组合），所有方法接收相同臂原子提示。（论文赞 1）
在 Hugging Face 查看
排行第十二：缺失的原始能力：诊断和修复大语言模型的数学推理
大语言模型在前沿数学问题上表现突出，但其解决方案是否具备结构化数学理解尚不明确。本文系统研究LLM的数学理解，提出“数学原始能力”概念，并开发评估该能力的基准（涵盖发现、生成、消化、执行四个维度）。通过系统诊断，探索利用研究发现改进后训练的方法。（论文赞 2）
在 Hugging Face 查看
