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 1777，趋势分 1596。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1777 · 趋势分 1596）
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 1630，趋势分 1356。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1630 · 趋势分 1356）
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 1059，趋势分 891。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1059 · 趋势分 891）
在 Hugging Face 查看
排行第四：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 847，趋势分 826。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 847 · 趋势分 826）
在 Hugging Face 查看
排行第五：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 763，趋势分 729。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 763 · 趋势分 729）
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 3535，趋势分 688。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3535 · 趋势分 688）
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 614，趋势分 589。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 614 · 趋势分 589）
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 637，趋势分 580。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 637 · 趋势分 580）
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 6754，趋势分 491。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6754 · 趋势分 491）
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 5320，趋势分 456。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5320 · 趋势分 456）
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 434，趋势分 424。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 434 · 趋势分 424）
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 17179，趋势分 341。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17179 · 趋势分 341）
在 Hugging Face 查看
论文
排行第一：学习神经网络压缩的功能子空间
现代Transformer能力强但内存计算需求大，低秩权重分解能减少需求但矩阵仍稠密。现有方法用局部准则选子空间，忽略误差传播导致高压缩下性能崩溃。本文提出可学习子空间投影（LSP），端到端学习要丢弃的子空间解决该问题。（论文赞 1）
在 Hugging Face 查看
排行第二：阶梯式MoE：具有可配置推理复杂度的段级路由
大语言模型训练资源密集，适配不同计算约束的部署场景仍有挑战。现有方法独立处理弹性结构和稀疏激活，边缘推理需满足设备内存计算限制。本文提出统一框架，结合弹性结构与稀疏门控架构，使模型同时适配部署约束和任务需求。
在 Hugging Face 查看
排行第三：运动学MeanFlow：机器人基础模型的一步动作生成策略
本文研究机器人基础模型（RFMs）的一步动作生成，以克服多步流匹配的高推理延迟。MeanFlow直接应用会性能崩溃，因速度场存在局部加速度末期激增、样本幅度分布随去噪加宽等问题。本文引入K-MF，一种针对RFMs的一步动作策略解决该问题。（论文赞 1）
在 Hugging Face 查看
排行第四：RL前的OPD：用策略蒸馏预热基于评分规则的强化学习
许多语言模型任务无法精确验证结果，基于评分规则的强化学习通过明确标准打分，但奖励在响应完成后给出，无法指示单个决策贡献。本文提出两阶段框架：先用规则作为教师进行密集token级监督（RP-OPD），再用规则作为奖励进行强化学习。（论文赞 2）
在 Hugging Face 查看
排行第五：理由引导策略优化：通过自适应理由支架学习推理
在线强化学习是提升大语言模型推理能力的核心范式，但受奖励稀疏性限制——模型未能找到正确轨迹时，优化缺乏有用信号。现有方法用离线演示或专家轨迹，但需匹配任务格式。本文引入理由引导策略优化，通过自适应理由支架解决该问题。（论文赞 3）
在 Hugging Face 查看
排行第六：用MoE路由器实现解码器仅模型的跨语言对齐
跨语言对比学习是多语言编码器训练核心，但解码器仅LLM因多语言分词差异无法显式对齐表示，而更高对齐能提升跨语言迁移。本文提出新思路：不使用隐藏状态的辅助对齐损失，而是将MoE路由器输出作为对齐目标。（论文赞 1）
在 Hugging Face 查看
排行第七：混合注意力LLM的多语言性研究
本文研究混合注意力架构对大语言模型多语言能力的影响，分析其在长序列处理和不同语言上的表现，探讨循环状态的归纳偏置如何影响语言处理过程。（论文赞 2）
在 Hugging Face 查看
排行第八：S2PD：串行到并行扩散模型
提出S2PD模型，结合串行与并行扩散机制，实现物理和逻辑一致的视频生成，通过分阶段处理提升生成质量和效率。（论文赞 1）
在 Hugging Face 查看
排行第九：语言模型是否需要可训练嵌入表
研究发现固定令牌编码在17亿参数规模下仍能有效支持语言建模，无需可训练的输入嵌入表，验证了共享Transformer的潜力。（论文赞 1）
在 Hugging Face 查看
排行第十：安全动作不足以保证可行性
提出可行未来解码方法，解决视觉语言动作策略中安全动作可能无法完成任务的问题，通过未来路径评估提升决策可行性。（论文赞 4）
在 Hugging Face 查看
排行第十一：DiffGate：难度门控教师指导
提出DiffGate方法，结合在线策略蒸馏与基于可验证奖励的强化学习，实现轨迹级的教师指导，提升学生模型的推理质量。（论文赞 9）
在 Hugging Face 查看
排行第十二：条件轨迹峰值：单次通过多模态策略
提出条件轨迹峰值框架，联合预测动作块候选、概率质量与轨迹尺度，实现多模态模仿学习中的一致行为与多样化未来。（论文赞 1）
在 Hugging Face 查看
