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 1670，趋势分 1534。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1670 · 趋势分 1534）
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 973，趋势分 787。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 973 · 趋势分 787）
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 3424，趋势分 683。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3424 · 趋势分 683）
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 711，趋势分 680。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 711 · 趋势分 680）
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 590，趋势分 564。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 590 · 趋势分 564）
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 5279，趋势分 538。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5279 · 趋势分 538）
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 675，趋势分 537。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 675 · 趋势分 537）
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 6662，趋势分 509。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6662 · 趋势分 509）
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 488，趋势分 465。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 488 · 趋势分 465）
在 Hugging Face 查看
排行第十：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 416，趋势分 408。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 416 · 趋势分 408）
在 Hugging Face 查看
排行第十一：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 391，趋势分 383。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 391 · 趋势分 383）
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 17113，趋势分 351。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17113 · 趋势分 351）
在 Hugging Face 查看
论文
排行第一：大语言模型的数值线性代数
本文探讨数值线性代数（NLA）在大语言模型中的作用。NLA历来为科学工程提供关键工具，随科学浪潮演进，如1950-60年代针对空气动力学特征值问题开发LR和QR算法，后转向稀疏线性系统求解。论文聚焦NLA如何适应当前大语言模型的计算需求，延续其解决核心数学问题的传统。
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
研究利用常规血检数据发现新生物标志物，但隐私记录无法直接用于前沿语言模型智能体。方法是将Clalit健康服务超过540万患者数据蒸馏为评分工具：对13种免疫疾病，在数据边界内训练图注意力网络预测候选血检表达式的病例对照AUC，仅发布训练权重。该工具支持智能体提议-评分-优化循环，基于真实数据却无需暴露患者信息。（论文赞 1）
在 Hugging Face 查看
排行第三：填补上下文差距：表格情境学习的激活对齐
针对表格基础模型的情境学习（ICL）问题，传统模型分离训练与推理，而ICL需在每次预测时处理全部训练样本，成本高昂。限制样本数会降低性能。本文提出激活对齐方法，利用完整上下文教导模型仅见子集时的行为：通过在合成无标签数据上训练轻量线性变换，映射中间激活，使模型能用少量样本保持性能。
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
语言模型可能正确回答概率高于单个错误答案，但抽样时仍常出错，因错误答案总概率更高。幂分布将完整答案概率升幂后重归一化，使模型更倾向最可能答案（锐化）。抽样可提升推理但不改参数，却需每查询评分多个候选。本文训练模型一次生成此类答案：策略内幂蒸馏（OPPD）用序列蒙特卡洛采样器，让被训模型生成候选并自我优化。
在 Hugging Face 查看
排行第五：Jev风格类型化决策模型中标签覆盖定义
类型化决策模型对输入返回各选项概率，每个选项含简短标签和书面定义（开发者规定规则）。Jev引入此接口用于路由、审核和分类，开源实现随后出现，语言模型作分类器时也类似。研究检查开源权重，探究概率遵循定义还是标签。偏好标签称为选项标签偏差：在四个开源类型化决策模型中，分析此偏差的存在与影响。
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
学习型图像压缩在率失真性能上竞争激烈，但极低码率重建仍难，因传输表示无法保留细微纹理。感知和生成编解码器用重建先验合成细节，可控编解码器让单一模型覆盖不同码率偏好。现有基于码本的可控设计依赖单码本先验。提出自适应融合先验迁移可控生成图像压缩（AFP-GIC），从冻结预训练模型迁移自适应融合先验，提升可控重建效果。（论文赞 1）
在 Hugging Face 查看
排行第七：LLM-as-Jev：大语言模型已是Jev式决策模型——何时及如何微调
研究通用大语言模型是否自带Jev式决策能力（返回预定义选项的分类概率分布，非自由文本）及何时需微调，提出LLM-as-Jev框架，能从带括号数字标识的下一词概率中提取校准决策，提供免训练推理方法和基于树分解列表损失的微调目标。（论文赞 1）
在 Hugging Face 查看
排行第八：数据不足下大语言模型的协作式个性化偏好对齐
现实用户对大语言模型回复的多目标偏好异质，轻量对齐器能适配个性化但用户反馈稀缺，共享初始化支持少样本适应却因偏好异质和目标冲突导致梯度矛盾，论文提出方法解决如何协作学习对齐器初始化以支持多样偏好的少样本适应问题。（论文赞 1）
在 Hugging Face 查看
排行第九：超越语义相似性：复杂任务中智能体检索的性能与成本
现有密集检索依赖表面语义相似性，难以应对复杂搜索，论文研究结合大语言模型推理能力和检索器高效语料探索的智能体检索（ReAct循环），实验显示其比标准检索更有效（nDCG@10提升8.7点），且专用检索方法挣扎时仍表现好。（论文赞 3）
在 Hugging Face 查看
排行第十：COSMI：多物体交互的组合式合成
人类-物体交互生成模型受数据限制（多物体捕捉成本高，数据集多记录单物体），论文利用交互局部性，通过组合单物体交互的接触一致片段（镜像平衡、跨身体转移），经语言模型和几何检查筛选语义物理合理配对，构建组合式增长的多物体交互数据集COSMI。（论文赞 2）
在 Hugging Face 查看
排行第十一：学习潜在蛋白质语言以实现自回归生成
自回归Transformer在蛋白质序列和结构生成中较弱，论文研究目标表示作用，引入两种潜在蛋白质语言：PLL基于冻结ESM-2编码器将序列映射到4096状态上下文字母表；SLL适配GCP-VQVAE Lite并保留解码到骨架坐标，通过辅助监督预训练自回归模型以提升生成能力。（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
交互世界模型能生成和作用于环境，但有意编辑现有可执行世界未被充分探索，论文将其定义为干预同时保留不变属性，引入“干预深度”描述编辑对实体、动力学和系统的耦合强度，通过游戏改装实现，并发布IGMWorld数据集和含110任务的IGMBench基准。（论文赞 8）
在 Hugging Face 查看
