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 1740，趋势分 1567。标签：qwen3_5、clef、cloudflare、systemone、qwen3.8。（点赞 1740 · 趋势分 1567）
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 1305，趋势分 1077。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1305 · 趋势分 1077）
在 Hugging Face 查看
排行第三：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 917，趋势分 761。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 917 · 趋势分 761）
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 744，趋势分 711。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 744 · 趋势分 711）
在 Hugging Face 查看
排行第五：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 724，趋势分 706。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 724 · 趋势分 706）
在 Hugging Face 查看
排行第六：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 3491，趋势分 676。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3491 · 趋势分 676）
在 Hugging Face 查看
排行第七：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 599，趋势分 576。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 599 · 趋势分 576）
在 Hugging Face 查看
排行第八：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 626，趋势分 570。标签：qwen3_5、clef、cloudflare、systemone、qwen3.5。（点赞 626 · 趋势分 570）
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 6717，趋势分 492。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6717 · 趋势分 492）
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 5303，趋势分 480。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5303 · 趋势分 480）
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 422，趋势分 413。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 422 · 趋势分 413）
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 17155，趋势分 337。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17155 · 趋势分 337）
在 Hugging Face 查看
论文
排行第一：DAEDALUS：从自生成任务中引导智能体记忆
本文提出DAEDALUS方法，旨在解决LLM智能体在新环境中因缺乏操作知识而重复犯错的问题。该方法通过配对两个智能体：探索者自主生成实践任务，无需依赖人工编写的指南或预设训练任务，从而构建可重用的程序性记忆。这有助于减少任务失败和缩短执行轨迹，提升智能体在未知环境中的可靠性。（论文赞 4）
在 Hugging Face 查看
排行第二：口音类比引导：跨语言语音克隆中的说话人相似性提升
本研究针对跨语言零样本文本到语音中参考语音口音泄漏问题，提出口音类比引导（AAG）方法。该方法无需训练，通过从模型自身预测中估计口音方向并减去该方向，实现在保持口音一致的同时提升说话人相似性。在真实配音数据上，AAG在多种开放TTS模型中均显示出优于基线曲线的性能。（论文赞 4）
在 Hugging Face 查看
排行第三：源识别非适应性测试：合成数据归因的极限测量
本文研究模型生成数据的重复训练对后续模型的影响，重点测试数据来源归因的可靠性及其对训练数据选择的帮助。实验使用金融风险文本，发现原始段落归因准确率达98.7%，但经过改写后大幅下降。研究还比较了三种生成示例选择方法，探讨归因信息在数据重用中的有效性。
在 Hugging Face 查看
排行第四：CtrlCache：通过控制感知缓存加速交互式视频世界模型
本文提出CtrlCache方法，针对交互式视频世界模型需要高效生成视频块并忠实响应用户控制的问题。该方法利用控制信号在去噪前即可获取的特点，设计基于控制转换的缓存策略，减少昂贵的去噪迭代次数。通过分析相邻块在不同控制下的相似性，实现训练免费的加速效果。
在 Hugging Face 查看
排行第五：学习解读扩散Transformer中的上下文标记
本研究探索多模态扩散Transformer中动态上下文标记的功能，提出通过自然语言询问读取该上下文空间的框架。训练一个轻量级瓶颈网络，将中间上下文标记映射到冻结LLM的输入空间，使LLM能直接根据隐藏表示回答关于生成图像的问题。该方法揭示了上下文标记编码的丰富全局表征。（论文赞 1）
在 Hugging Face 查看
排行第六：UNREAL：用单一模型统一检索与长上下文
本文提出UNREAL框架，旨在用单一模型内部机制统一处理从长上下文推理到语料库检索的证据选择。该方法直接利用冻结LLM的内部表示编码块并生成检索查询，仅增加不到50万可训练参数。在大型维基百科索引上的实验表明，UNREAL能有效跨越不同规模的证据选择任务。（论文赞 15）
在 Hugging Face 查看
排行第七：AGO AI质量门控：基于证据的RAG发布决策
本文提出AGO AI质量门控框架，用于工业级检索增强生成（RAG）系统的评估。该框架整合了四部分：四状态决策模型处理缺失数据和判断错误；分层评分结合确定性检查、本地护栏和结构化大模型评估；分层贝塔二项分布门控量化回归风险；以及强制元评估协议。（论文赞 13）
在 Hugging Face 查看
排行第八：SlimWise：解耦MoE前向和解码专家剪枝
本文提出SlimWise，一种针对混合专家模型（MoE）的推理服务框架。该框架在前向传播阶段使用完整模型，在解码阶段使用剪枝后的模型，并直接复用前向生成的KV缓存，无需转换。该方法在多个MoE骨干和剪枝标准下显著缩小了准确率差距。（论文赞 7）
在 Hugging Face 查看
排行第九：学习漂移模型的判别几何
本文研究漂移模型在复杂图像数据集上的表现差异，发现其性能依赖于构建漂移场的表示。作者指出，像素空间漂移表现差，而预训练特征空间显著提升样本质量，原因在于表示的判别几何影响核密度估计中的样本加权。为此，提出持续表示学习方法。（论文赞 2）
在 Hugging Face 查看
排行第十：Harness感知蒸馏用于小语言模型代理
本文提出Harness-Aware Distillation（HAD），一种针对语言模型代理的蒸馏方法。该方法关注教师模型在Harness之外的贡献，通过行动偏好对比教师在相同Harness输入下的行为，聚焦于教师模型对Harness无法提供的能力的模仿，提升小模型性能。（论文赞 4）
在 Hugging Face 查看
排行第十一：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。该模型学习将预测信息集中在宽潜在表示的紧凑前缀中，并通过条件分布学习前缀长度，训练预测器从采样输入前缀估计完整下一个嵌入。（论文赞 7）
在 Hugging Face 查看
排行第十二：NeMo-DCR：位精确的增量压缩重训练
本文提出NeMo-DCR，一种用于万亿参数规模智能体强化学习的增量压缩重训练系统。该系统仅传输权重变化部分，实现高效权重同步。它解决了现有方法在放置、精确性和效率上的不足，支持跨集群通信，并能从重训练中途失败中恢复。（论文赞 7）
在 Hugging Face 查看
