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 1723，趋势分 1552。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1723 · 趋势分 1552）
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 1126，趋势分 917。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1126 · 趋势分 917）
在 Hugging Face 查看
排行第三：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 735，趋势分 703。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 735 · 趋势分 703）
在 Hugging Face 查看
排行第四：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 833，趋势分 682。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 833 · 趋势分 682）
在 Hugging Face 查看
排行第五：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 3471，趋势分 668。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3471 · 趋势分 668）
在 Hugging Face 查看
排行第六：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 652，趋势分 638。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 652 · 趋势分 638）
在 Hugging Face 查看
排行第七：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 617，趋势分 562。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 617 · 趋势分 562）
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 563，趋势分 540。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 563 · 趋势分 540）
在 Hugging Face 查看
排行第九：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 6703，趋势分 490。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6703 · 趋势分 490）
在 Hugging Face 查看
排行第十：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 5296，趋势分 490。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5296 · 趋势分 490）
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 414，趋势分 405。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 414 · 趋势分 405）
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 17145，趋势分 348。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17145 · 趋势分 348）
在 Hugging Face 查看
论文
排行第一：自适应潜在容量的世界模型
本文提出自适应LeWorldModel（ALeWM），一种基于联合嵌入预测架构（JEPA）的世界模型，旨在将预测信息集中在宽潜在表示的紧凑前缀中。为了促进这种排序，ALeWM学习前缀长度的序列条件分布，并训练预测器从采样的输入前缀估计完整的下一个嵌入。由于标准的抗坍缩目标鼓励潜在坐标间的变化但未按预测重要性组织它们，本文还引入了MixSIGReg正则化方法，将掩码嵌入与高斯活动前缀和零的混合先验进行正则化。（论文赞 5）
在 Hugging Face 查看
排行第二：NeMo-DCR：万亿参数规模的可扩展智能体RL
本文介绍NeMo-DCR（Delta-Compressed Refit），一种用于智能体强化学习（RL）的位精确增量压缩重配方法。在智能体RL中，训练与部署分离，每次策略更新需在下一批次前同步到部署集群。传输完整的1T参数检查点耗时过长，而BF16训练显示每步仅约1%权重变化。NeMo-DCR仅发送变化量，解决了现有系统在放置、精确性或效率上的不足，如重新实现放置规则、重建完整张量或使用跨集群集体操作，并能从中途故障中完全恢复。（论文赞 1）
在 Hugging Face 查看
排行第三：HLA：通过分块动态混合的混合线性注意力
本文提出混合线性注意力（HLA），一种用于Gated DeltaNet（GDN）的查询依赖分块级注意力机制。线性注意力通过将历史压缩为循环状态实现高效长上下文自回归解码，但压缩可能使选择性访问稀疏和遥远信息变得困难。现有分块扩展增加了内存容量，但学习到的分块混合系数可能固定于输入内容，无法适应每个查询的历史访问。HLA将每个完成的分块表示为精确仿射状态转换，并从紧凑的自注意力池化表示计算内容依赖的路由门。（论文赞 1）
在 Hugging Face 查看
排行第四：驯服VLA在机器人执行错误下的自补偿
本文针对视觉-语言-动作（VLA）策略在机器人执行动作偏离命令时易失败的问题，提出自补偿VLA方法。执行错误源于机器人机械特性和操作条件（如磨损和负载变化）。该方法是一种部署时自适应技术，使VLA策略在生成命令时预补偿执行错误。无需任务奖励或标签，它利用VLA命令动作与机器人执行运动间的残差在线更新策略。为在物理机器人难以覆盖的条件下压力测试VLA鲁棒性，还引入了RoboStress方法。（论文赞 18）
在 Hugging Face 查看
排行第五：ConEx：通过概念感知归因的可解释显著性图
本文提出概念解释（ConEx）框架，将显著性可视化与概念推理结合，提供忠实性和可解释性。许多视觉解释方法突出像素重要性，但难以将这些低层线索链接到语义概念。ConEx自动发现类特定概念，并通过概念激活向量（CAV）表示它们，无需人工监督，使用架构特定掩码机制学习，减少分割掩码引入的噪声以增强概念纯度。ConEx生成忠实的显著性图，同时解释其与高层概念的关联。
在 Hugging Face 查看
排行第六：MiniCorp：AI智能体公司的最后一英里
本文介绍MiniCorp，一个用于研究智能体如何集体运营公司的办公室模拟器，旨在解决企业AGI的最后一英里问题。训练和适应此类智能体需要纵向企业数据，但这些数据稀缺、获取成本高且受隐私限制。历史档案常不完整且仅记录实际发生事件，无法显示替代决策的结果。MiniCorp以电子商务公司为例，连接两个交互世界：外部世界模拟客户、动态竞争者和市场机制，内部世界建模公司运营，以大规模生成企业数据。（论文赞 3）
在 Hugging Face 查看
排行第七：JLD：通过雅可比透镜感知距离
图像压缩、恢复和生成需要衡量两张图像在人眼中的差异。传统像素误差忽略人类视觉特性，而最准确的感知距离通常依赖于人类判断，受限于固定数据和分辨率。本文提出雅可比透镜距离（JLD），利用冻结的视觉编码器构建感知几何，结合早期局部特征和后期编码器的感知敏感性，实现更稳定的感知距离度量。
在 Hugging Face 查看
排行第八：大语言模型的参数内记忆增强
大语言模型在部署后需要整合预训练后的知识，如领域事实、用户偏好等。上下文学习虽灵活但消耗上下文容量并产生编码开销。参数内记忆通过模型参数或适配器存储可重用信息，在推理时组合进前向传播，本文综述了此类参数化记忆增强方法。（论文赞 2）
在 Hugging Face 查看
排行第九：MEND：基于近端速度匹配的流模型强化学习
流模型的奖励后训练通常通过重加权样本或使用冻结参考模型进行数千次更新，或直接反向传播奖励移动所有样本。本文提出MEND，基于近端速度匹配的强化学习方法，在每个提示组内限制奖励，仅对低于阈值的样本沿奖励梯度提出移动，并在移动收益超过位移成本时接受。模型回归到最终速度目标，无需KL项或参考模型。（论文赞 1）
在 Hugging Face 查看
排行第十：从证据到行动：工具使用代理的失败原因
工具使用代理对外部状态产生重要影响，但正确结果并不保证其行动由预先建立的证据支持。本文研究代理从决定行动到执行单个动作及依赖工作流时，证据到行动链条的断裂点。在十种模型-工具配置中，静态动作评估较强，但交互执行较弱，失败常始于执行前的调查不完整或证据未建立。（论文赞 20）
在 Hugging Face 查看
排行第十一：AdvSim2Real：对抗提示注入的网络代理训练
网络代理通过读取第三方编写的页面完成用户请求，页面中的指令可能引导代理偏离目标。当前防御方法在训练前固定注入，而适应模型的攻击者可绕过。对抗训练允许攻击者适应但任务固定，导致任务停止教学。本文提出AdvSim2Real，通过冻结的网络世界模型协同进化任务课程、注入攻击者和代理。（论文赞 2）
在 Hugging Face 查看
排行第十二：重新思考跨分词器在线策略蒸馏
在线策略蒸馏（OPD）使用教师反馈训练学生模型生成内容。不同分词器下，比较教师和学生预测需在序列和词汇层面对齐。本文探讨扩大对齐覆盖是否提升学习效果。在三个异构师生对上的数学推理和代码生成任务中，严格的1:1分组已覆盖大多数学生生成的词，共享词汇在对齐位置保留了大部分教师和学生概率质量。（论文赞 40）
在 Hugging Face 查看
