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 1550，趋势分 1431。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1550 · 趋势分 1431）
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 3313，趋势分 686。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3313 · 趋势分 686）
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 817，趋势分 656。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 817 · 趋势分 656）
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 657，趋势分 632。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 657 · 趋势分 632）
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 5257，趋势分 623。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5257 · 趋势分 623）
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 549，趋势分 523。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 549 · 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 6541，趋势分 502。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6541 · 趋势分 502）
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 494，趋势分 381。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 494 · 趋势分 381）
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 17057，趋势分 345。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17057 · 趋势分 345）
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 293。标签：computer-vision、visionhope。（点赞 426 · 趋势分 293）
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 3018，趋势分 280。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3018 · 趋势分 280）
在 Hugging Face 查看
论文
排行第一：CurveCodec 2: 基于学习熵模型的骨架无关动画压缩
研究骨骼运动数据中的冗余，提出一种新的动画压缩方法，通过学习稀疏锚点的先验分布来减少数据量，同时保持压缩精度，适用于任意骨架结构的生产级编码需求。
在 Hugging Face 查看
排行第二：SearchJev: 快速校准的搜索代理模型
提出一种快速且校准的系统1模型SearchJev，用于搜索代理中的短时决策，通过分离决策与推理过程，直接评分合法选项，避免自回归生成，提升效率和置信度可靠性。（论文赞 7）
在 Hugging Face 查看
排行第三：OpenRUA: 零样本视觉运动策略机器人使用代理
提出OpenRUA，一种无需复杂抽象层的机器人使用代理框架，允许现成的编码代理通过终端直接访问机器人本机功能，绕过定制化接口，实现零样本的物理世界操作。（论文赞 1）
在 Hugging Face 查看
排行第四：Periscope: 扩展冻结语言模型的上下文窗口
提出Periscope方法，通过将文本分块并排列在网格上，利用冻结语言模型对局部和步进跨度进行查询，从而在不重新训练的情况下扩展模型的上下文处理能力。（论文赞 1）
在 Hugging Face 查看
排行第五：RobotUse: 计算、上下文与决策的分配
引入RobotUse框架，将机器人代理的计算、上下文和决策组织为物理动作的指定与修订，通过视觉选择目标和姿态，后台处理几何、运动规划和控制，实现高效任务执行。（论文赞 5）
在 Hugging Face 查看
排行第六：扩散语言模型的表示空间MMD方法
提出一种后训练方法，通过最小化生成分布与参考分布在冻结预训练扩散语言模型特征空间中的最大均值差异（MMD），实现高效后训练，无需完整采样轨迹或联合训练辅助模型。（论文赞 2）
在 Hugging Face 查看
排行第七：PerturBot：通过扰动训练打破视觉-语言-动作模型的捷径依赖
视觉-语言-动作（VLA）策略在执行复杂任务时可能忽略决定其行动的关键证据。例如，靠近腕部摄像头的物体会干扰指令目标。语言和动作也存在类似问题：熟悉的名词可能触发训练中配对的动词操作，空抓取器也可能执行抬升动作。这些依赖关系被称为模态捷径——成功演示中的规律性使得视觉、词汇或运动线索足以预测专家行为，而无需决策所需的证据。更多同类演示可能提高任务成功率，但无法解决根本问题。（论文赞 3）
在 Hugging Face 查看
排行第八：TextReg：通过正则化文本空间优化缓解提示分布过拟合
大型语言模型（LLM）对用于指定任务目标和行为约束的提示极为敏感。现有提示优化方法通过LLM生成的反馈迭代重写提示，但结果提示往往变长、积累特定样本规则且泛化能力差。我们将此视为提示分布过拟合问题，认为其根源在于离散文本空间优化缺乏表示控制。通过表征效率这一双因素度量，将提示低效分解为容量成本和范围狭窄，为优化提供理论基础。（论文赞 2）
在 Hugging Face 查看
排行第九：从知识访问到源学习：发展特定源能力
大型语言模型（LLM）代理日益依赖持久外部源解决知识密集型任务序列。现有方法改进源内容访问和组织方式，代理记忆系统保存先前交互的可重用知识，但对同一源的重复使用仍被视为重复访问而非逐步理解的机会。我们研究源学习——在持久权威源上发展可重用的特定源能力。通过持久源模型捕获对源的可重用理解，包括其知识组织方式等核心特征。（论文赞 2）
在 Hugging Face 查看
排行第十：QuantCode模型：专用于可执行算法交易代码的语言模型
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是高要求专业领域：模型需将自然语言策略转换为专业交易框架的正确程序逻辑，执行历史数据回测并保持语义一致性。我们研究两种互补的专业化机制：持续预训练算法交易框架代码和监督微调（SFT）代理验证的请求-代码对。评估基于QuantCode-Bench——我们包含400个Backtrader策略生成任务的基准测试集。（论文赞 4）
在 Hugging Face 查看
排行第十一：Code2Games：实现游戏世界生成的编码代理
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、交互实体和可执行游戏逻辑。现有编码代理可生成独立资产、场景或脚本，但难以保持组件间一致性。Code2Games框架在Blender生成的基础世界上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、约束生成和游戏引擎定制，实现元素间持久关联。（论文赞 2）
在 Hugging Face 查看
排行第十二：Memadapter：对抗记忆诱导的谄媚行为的反事实适配
长期记忆使LLM代理能跨任务和会话保留重用信息，支持个性化和长程交互。但持久记忆也可能诱发谄媚行为，导致代理过度迎合用户历史信念，即使其不准确、过时或与客观证据矛盾。现有缓解方法假设记忆诱导谄媚源于偏见或错误记忆，试图通过过滤记忆来降低风险。然而现实中，客观正确的记忆仍可能诱发谄媚，且同一记忆在不同情境下可能产生不同影响。（论文赞 6）
在 Hugging Face 查看
