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 1668，趋势分 1532。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1668 · 趋势分 1532）
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 971，趋势分 785。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 971 · 趋势分 785）
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 3416，趋势分 679。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3416 · 趋势分 679）
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 708，趋势分 678。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 708 · 趋势分 678）
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 587，趋势分 561。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 587 · 趋势分 561）
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 5278，趋势分 541。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5278 · 趋势分 541）
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 674，趋势分 536。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 674 · 趋势分 536）
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 6654，趋势分 508。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6654 · 趋势分 508）
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 486，趋势分 463。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 486 · 趋势分 463）
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 389，趋势分 381。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 389 · 趋势分 381）
在 Hugging Face 查看
排行第十一：embeddinggemma-2（特征提取）
Hugging Face 趋势榜上的模型，任务类型是特征提取，点赞 362，趋势分 357。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 362 · 趋势分 357）
在 Hugging Face 查看
排行第十二：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 17108，趋势分 347。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17108 · 趋势分 347）
在 Hugging Face 查看
论文
排行第一：大语言模型的数值线性代数
数值线性代数在科学进步中一直发挥着关键作用，为科学和工程应用中的基本问题提供求解工具。几十年来，它不断演变以满足科学发现浪潮带来的需求。例如，在20世纪50至60年代，大量工作致力于开发解决空气动力学领域快速增长的矩阵特征值问题的方法，这导致了LR和QR算法的发现。随后，注意力转向了计算空气动力学等应用中常见的稀疏线性系统求解。
在 Hugging Face 查看
排行第二：从私有健康记录中智能发现血液生物标志物
常规全血细胞计数可能产生新的生物标志物，但评估候选标志物所需的私有记录无法与擅长发现的前沿语言模型代理共享。研究将Clalit健康服务机构超过540万患者的证据提炼成一个评分工具：针对13种免疫介导疾病，在数据边界内训练图注意力网络来预测候选CBC表达式的病例对照AUC，仅发布训练权重。该工具将代理的提出-评分-优化循环建立在真实数据基础上，而不暴露任何患者数据。（论文赞 1）
在 Hugging Face 查看
排行第三：缩小上下文差距：表格上下文学习的激活对齐
表格基础模型通过将预测条件化于作为上下文提供的标记训练样本来执行上下文学习。与传统模型将训练与推理分离不同，这些模型必须在每次前向传播中处理所有训练样本，使得每个预测成本高昂。限制训练样本数量可降低此成本但会显著降低性能。我们提出激活对齐方法，利用完整上下文来教导模型在仅看到子集时的行为方式，通过在合成未标记数据上训练轻量级线性变换来映射中间激活。
在 Hugging Face 查看
排行第四：无需搜索的锐化：序列级幂分布的策略内蒸馏
语言模型可能给正确答案的概率高于任何单个错误答案，但仍常采样错误答案，因为错误答案共同占据更多概率。幂分布将每个完整答案的概率提升至1以上并重新归一化，将概率转向模型认为最可能的答案（锐化）。从中采样可在不改变参数的情况下改进推理，但每个查询需要许多评分候选。研究表明，可以训练模型在一次生成中产生此类答案。策略内幂蒸馏运行顺序蒙特卡洛采样器，其中被训练模型生成候选答案。
在 Hugging Face 查看
排行第五：Jev风格类型化决策模型中的标签覆盖定义
类型化决策模型通过返回几个调用者定义选项的概率来回答关于输入的固定问题。每个选项带有简短标签和书面定义，开发者在此声明模型应应用的规则。Jev为路由、审核和分类引入了此接口，随后出现开源实现，当通过评分标签字符串使用语言模型作为分类器时会发生相同操作。研究检查开源实现的权重，探究概率是遵循定义还是标签。对标签的偏好称为选项标签偏差。
在 Hugging Face 查看
排行第六：可控生成图像压缩的自适应融合先验迁移
学习型图像压缩实现了有竞争力的率失真性能，但极低比特率重建仍具挑战性，因为传输的表示无法保留精细纹理和局部结构。感知和生成编解码器使用重建先验合成缺失细节，而可控编解码器允许一个模型覆盖不同比特率和重建偏好。然而，现有基于码本的可控设计通常依赖单码本重建先验。提出自适应融合先验迁移可控生成图像压缩，这是一种可控编解码器，从冻结预训练模型迁移自适应融合先验。（论文赞 1）
在 Hugging Face 查看
排行第七：LLM-as-Jev：大模型已具备决策能力
研究发现通用大语言模型在无需微调的情况下已具备基于预定义选项输出分类概率分布的能力。提出LLM-as-Jev框架，通过提取下一个词的概率直接生成校准后的决策，支持无需训练的推理和微调优化，提升模型在决策任务中的实用性。（论文赞 1）
在 Hugging Face 查看
排行第八：数据不足下的协同个性化对齐
针对用户偏好异质性导致个性化训练困难的问题，提出协同学习对齐器初始值的方法。通过共享初始化支持少样本适应，缓解用户间和用户内梯度冲突，实现对多样化用户偏好的高效个性化响应。（论文赞 1）
在 Hugging Face 查看
排行第九：智能检索在复杂任务中的性能
研究将大语言模型的推理能力与检索器的高效探索结合，构建ReAct智能体循环解决复杂检索任务。实验表明该方法比传统检索更有效，nDCG@10提升8.7点，同时在资源使用上更具优势。（论文赞 3）
在 Hugging Face 查看
排行第十：COSMI：多物体交互合成
针对多物体交互数据采集成本高的问题，提出COSMI方法。通过组合单物体交互片段，结合语言模型和几何检查，生成符合语义和物理 plausible 的多物体交互数据，实现数据集的组合式增长。（论文赞 2）
在 Hugging Face 查看
排行第十一：学习潜在蛋白语言生成
研究蛋白质序列和结构生成中目标表示的作用，提出两种学习的潜在蛋白语言。通过冻结的ESM-2编码器和GCP-VQVAE Lite，分别构建序列和结构的潜在表示，提升自回归生成模型的性能。（论文赞 1）
在 Hugging Face 查看
排行第十二：世界编辑：深度干预可执行世界
提出世界编辑概念，通过干预现有可执行世界同时保持不变属性。引入干预深度描述编辑强度，构建IGMWorld和IGMBench基准，涵盖Minecraft和Terraria中的110项任务，评估世界编辑能力。（论文赞 7）
在 Hugging Face 查看
