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 1652，趋势分 1520。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1652 · 趋势分 1520）
在 Hugging Face 查看
排行第二：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 958，趋势分 773。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 958 · 趋势分 773）
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 3403，趋势分 686。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3403 · 趋势分 686）
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 699，趋势分 669。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 699 · 趋势分 669）
在 Hugging Face 查看
排行第五：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 580，趋势分 554。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 580 · 趋势分 554）
在 Hugging Face 查看
排行第六：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 5277，趋势分 552。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5277 · 趋势分 552）
在 Hugging Face 查看
排行第七：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 670，趋势分 532。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 670 · 趋势分 532）
在 Hugging Face 查看
排行第八：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 6628，趋势分 504。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6628 · 趋势分 504）
在 Hugging Face 查看
排行第九：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 453，趋势分 430。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 453 · 趋势分 430）
在 Hugging Face 查看
排行第十：humanizer（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 378，趋势分 370。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 378 · 趋势分 370）
在 Hugging Face 查看
排行第十一：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 17100，趋势分 346。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17100 · 趋势分 346）
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 3032，趋势分 261。标签：diffusers、qwen、image-generation、image-editing、rgba。（点赞 3032 · 趋势分 261）
在 Hugging Face 查看
论文
排行第一：缩小上下文差距：表格上下文学习的激活对齐
本文提出激活对齐方法，用于表格基础模型的上下文学习。这些模型在每次预测时需处理所有训练样本，导致计算成本高。作者利用合成无标签数据训练轻量线性变换，将完整上下文的中间激活映射到子集场景，使模型在仅见部分样本时仍能保持性能，避免因限制上下文大小而降低准确度。
在 Hugging Face 查看
排行第二：无需搜索的锐化：序列级幂分布的策略蒸馏
研究语言模型通过幂分布提升正确回答概率的方法。幂分布将完整答案概率乘幂后重归一化，使采样更偏向高概率答案，但需对每个查询评分多个候选。本文提出策略幂蒸馏，使用序列蒙特卡洛采样器，让模型在单次生成中直接产生此类答案，避免多次采样，提高推理效率。
在 Hugging Face 查看
排行第三：Jev风格决策模型中标签覆盖定义的现象
研究开放权重的Jev风格类型化决策模型，其返回预定义选项的概率分布。每个选项有标签和开发者编写的定义。通过检查模型权重，分析概率是遵循定义还是偏向标签，发现存在选项标签偏差，即模型更依赖标签而非定义规则进行决策。
在 Hugging Face 查看
排行第四：可控生成图像压缩的自适应融合先验迁移
针对学习型图像压缩在极低码率下细节丢失问题，提出自适应融合先验迁移方法。该可控编解码器从冻结预训练模型迁移自适应融合先验，结合多码本设计，允许单一模型覆盖不同码率和重建偏好，提升纹理和局部结构重建质量。（论文赞 1）
在 Hugging Face 查看
排行第五：LLM-as-Jev：大模型即Jev决策模型及微调策略
探讨通用大语言模型是否具备Jev风格决策能力，即直接输出分类概率而非生成文本。提出LLM-as-Jev框架，从下一词概率提取校准决策，提供免训练推理方案和微调目标，通过树分解列表损失优化候选选择，辅助锚定输出。（论文赞 1）
在 Hugging Face 查看
排行第六：数据稀缺下大模型的协作个性化偏好对齐
解决用户偏好异构且反馈稀缺时的大模型个性化对齐问题。提出近似个性化对齐方法，通过协作学习共享初始化参数，支持少样本适应。该方法处理用户间和用户内的梯度冲突，使轻量对齐器能快速适配多样偏好目标。（论文赞 1）
在 Hugging Face 查看
排行第七：超越语义相似性：复杂任务中代理检索的性能与成本
针对密集检索依赖表面语义相似性不足应对复杂搜索的问题，研究结合大型语言模型（LLMs）推理能力与检索器高效探索的代理检索（ReAct循环），实验显示其比标准检索更有效（nDCG@10提升8.7点），同时提及专用检索方法面临困境。（论文赞 3）
在 Hugging Face 查看
排行第八：COSMI：多物体交互的组合合成
针对多物体交互生成模型的数据限制（多物体捕捉成本高），利用交互局部性，通过组合单物体接触一致片段（镜像平衡手部、跨身体转移），经语言模型和几何检查筛选合理配对，实现数据集随片段组合增长而非耗时录制的多物体交互合成。（论文赞 2）
在 Hugging Face 查看
排行第九：学习潜在蛋白质语言以实现自回归生成
针对自回归Transformer在蛋白质序列和结构生成中的较弱表现，研究目标表示的作用——氨基酸令牌无明确上下文语义，骨架坐标需离散表示，引入两种潜在蛋白质语言：PLL（基于冻结ESM-2编码器的4096状态上下文字母表）和SLL（适配GCP-VQVAE Lite并加序列与置信度监督），分别预训练自回归Transformer以提升生成能力。（论文赞 1）
在 Hugging Face 查看
排行第十：世界编辑：在递增深度上干预可执行世界
针对交互式世界模型能生成环境但缺乏故意编辑现有可执行世界的问题，将世界编辑定义为干预同时保留不变属性，引入‘干预深度’描述编辑耦合实体、动力学和系统的强度，通过行业级游戏改装实现，并构建含110任务的IGMBench基准，推动可执行世界的深度干预。（论文赞 5）
在 Hugging Face 查看
排行第十一：iADD：提升扩散策略优化中的对齐与多样性
针对扩散策略优化（如DDPO）中奖励优化牺牲多样性和质量的问题，通过理论分析证明仅后期时间步更新可能伤害多样性（反驳先前结论），并提出基于强理论基础的增量Feynman-Kac训练，实现对齐与多样性的更好权衡。
在 Hugging Face 查看
排行第十二：FairRSFM：遥感基础模型的生物群系感知基准与去偏框架
针对遥感基础模型（RSFMs）常用聚合指标隐藏生态区域系统性性能差异的问题，引入FairRSFM基准——将14个陆地生物群系样本映射到6个生态宏组，用统一冻结骨干协议评估四个下游数据集，发现聚合性能一致但组间差异大，同时提供去偏框架。（论文赞 1）
在 Hugging Face 查看
