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 1785，趋势分 1604。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1785 · 趋势分 1604）
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 1711，趋势分 1423。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1711 · 趋势分 1423）
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 1098，趋势分 925。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1098 · 趋势分 925）
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 872，趋势分 851。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 872 · 趋势分 851）
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 767，趋势分 733。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 767 · 趋势分 733）
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 3544，趋势分 686。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3544 · 趋势分 686）
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 641，趋势分 584。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 641 · 趋势分 584）
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 6761，趋势分 486。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6761 · 趋势分 486）
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 5323，趋势分 450。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5323 · 趋势分 450）
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 440，趋势分 430。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 440 · 趋势分 430）
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 17184，趋势分 341。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17184 · 趋势分 341）
在 Hugging Face 查看
论文
排行第一：CheckerBench：长时代理能否合成静态分析检查器？
CheckerBench是一个包含300个任务的可执行基准，基于297个CVE漏洞，涵盖167个仓库和5个语言生态。每个任务包括漏洞和修复版本、固定分析环境和检查器框架，用于评估代理能否从零开始在仓库中开发出可工作的静态分析检查器。（论文赞 52）
在 Hugging Face 查看
排行第二：Sherpa：让大模型自适应教学
Sherpa是一种多轮强化学习框架，通过模拟具有不同学习偏好的学生原型，训练教师模型根据个体学习结果调整教学策略。该方法不依赖预设教学标准或演示数据，而是基于学生实际学习表现优化教学过程。（论文赞 4）
在 Hugging Face 查看
排行第三：学习神经网络压缩的功能子空间
本文提出可学习子空间投影（LSP），通过端到端学习每个线性层应丢弃的子空间，以解决传统低秩分解方法忽略误差传播的问题。该方法在高压缩率下能有效维持模型性能，提升神经网络压缩效率。（论文赞 3）
在 Hugging Face 查看
排行第四：分段MoE：可配置推理复杂度的路由机制
Stepped MoE提出一种统一框架，结合弹性结构与稀疏门控架构，使模型能同时适应部署约束和任务需求。该方法通过分段级路由实现可配置的推理复杂度，提升大语言模型在不同计算环境下的部署灵活性。（论文赞 2）
在 Hugging Face 查看
排行第五：运动学MeanFlow：机器人基础模型的一步动作生成
Kinematic MeanFlow（K-MF）是一种针对机器人基础模型的一步动作生成策略，解决直接应用MeanFlow导致性能下降的问题。该方法针对速度场的局部加速和幅度扩散动态，设计了新的一步动作策略。（论文赞 1）
在 Hugging Face 查看
排行第六：OPD先于RL：基于策略蒸馏的评分强化学习
OPD框架将评分标准先作为教师模型的特权上下文进行密集的token级监督，再作为奖励用于强化学习。该方法通过两阶段训练，使学生模型在无评分访问的情况下学习到更优的响应生成策略。（论文赞 3）
在 Hugging Face 查看
排行第七：基于理由引导的策略优化
本文提出了一种新的强化学习方法，通过自适应理由支架来引导策略优化，以解决大语言模型在推理能力提升中因奖励稀疏导致的优化停滞问题。该方法利用辅助数据生成训练轨迹，避免了传统方法对格式匹配的依赖。（论文赞 9）
在 Hugging Face 查看
排行第八：基于MoE路由器的跨语言对齐
针对解码器模型中跨语言表示对齐的挑战，本文提出了一种新方法，利用混合专家（MoE）路由器的输出作为对齐目标，实现跨语言对比学习，从而提升多语言模型的跨语言迁移能力。（论文赞 1）
在 Hugging Face 查看
排行第九：混合注意力模型的多语言性研究
本文研究了混合注意力机制对大语言模型多语言能力的影响，分析了其在长序列处理和不同语言token化中的表现，发现循环状态的归纳偏置会影响语言处理方式。（论文赞 2）
在 Hugging Face 查看
排行第十：S2PD：串行到并行扩散模型
本文提出了一种新型视频生成方法S2PD，结合串行和并行扩散过程，先通过串行计算协调依赖事件，再并行优化整个视频，以提高物理和逻辑一致性，同时减少采样时间。（论文赞 1）
在 Hugging Face 查看
排行第十一：语言模型是否需要可训练嵌入表
本文研究了语言模型是否需要可训练的输入嵌入表，通过比较不同输入接口在相同训练条件下的表现，探讨固定token编码是否足以支持模型的语言建模能力。（论文赞 2）
在 Hugging Face 查看
排行第十二：安全动作不足以保证可行性
本文指出安全动作不等于可行动作，提出可行未来解码方法，通过分析策略-环境轨迹中安全完成任务的未来可能性，改进视觉语言动作策略的决策过程。（论文赞 4）
在 Hugging Face 查看
