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 1805，趋势分 1617。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1805 · 趋势分 1617）
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 1870，趋势分 1563。标签：qwen3_5、jev、system-one、system-two、typed-decisions。（点赞 1870 · 趋势分 1563）
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 1240，趋势分 1054。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 1240 · 趋势分 1054）
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 926，趋势分 903。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 926 · 趋势分 903）
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 774，趋势分 739。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 774 · 趋势分 739）
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 3555，趋势分 677。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3555 · 趋势分 677）
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 625，趋势分 600。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 625 · 趋势分 600）
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 647，趋势分 589。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 647 · 趋势分 589）
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 6789，趋势分 480。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 6789 · 趋势分 480）
在 Hugging Face 查看
排行第十：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 457，趋势分 447。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 457 · 趋势分 447）
在 Hugging Face 查看
排行第十一：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 5330，趋势分 437。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5330 · 趋势分 437）
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 17201，趋势分 344。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17201 · 趋势分 344）
在 Hugging Face 查看
论文
排行第一：摩洛哥Turba肥料机器学习堆栈技术报告
本文介绍了Turba肥料机器学习堆栈，这是一个三层开源实现，用于在摩洛哥进行可复现的特定地点肥料推荐。该系统通过turba-client提供对公开地点档案、作物特定目标产量空间以及氮、磷、钾肥推荐的程序化访问，解决了现有推荐系统因功能主要通过交互界面访问、输出未版本化以及训练近似无法独立加载或基准测试而限制科学重用的问题。（论文赞 1）
在 Hugging Face 查看
排行第二：从16万次训练运行中学习策略
本文通过大规模实证研究探讨离线策略学习，在114个数据集上训练超过16万个策略，分析报告选择、超参数调优和数据集特性对结论的影响。研究发现，在此规模下没有单一算法占主导地位，最强方法的聚合性能通常接近，但领先者因条件而异，强调了可靠进展依赖于仔细报告、良好调优的基线和多样化评估。
在 Hugging Face 查看
排行第三：DMAD：对抗蒸馏分布匹配快速视觉生成
本文提出DMAD方法，将分布匹配重新定义为分类问题，直接学习所需的对数密度比。该方法在共享骨干网络上使用两个判别器头区分真实数据、教师样本和学生样本，并通过其逻辑的线性损失训练学生模型，无需辅助分数拟合。理论证明在判别器最优时这些损失能恢复目标分布匹配目标。（论文赞 3）
在 Hugging Face 查看
排行第四：DeCoPrune：基于去噪一致性的自回归视频扩散KV缓存剪枝
本文介绍DeCoPrune，一种无需训练的方法，将缓存压缩视为去噪一致性问题。研究发现去噪难度可作为令牌长期保留价值的代理：具有较大步进到最终差异的令牌往往携带视觉证据。该方法通过去噪一致性优化KV缓存，支持流式生成和交互控制，避免现有固定窗口或局部注意力策略的局限性。（论文赞 1）
在 Hugging Face 查看
排行第五：传感器-语言-动作模型
本文提出传感器-语言-动作建模框架，将多模态传感器观测、自然语言和动作统一在一个模型中。该框架使用语言作为感知和行动之间的语义接口，允许异质动作在底层传感器证据基础上被表示、预测和解释。研究构建了一个大规模SLA基准，旨在连接感知与决策，超越现有仅关注状态识别或结果预测的传感器模型。（论文赞 1）
在 Hugging Face 查看
排行第六：CheckerBench：长视野代理能合成静态分析检查器吗？
本文介绍CheckerBench，一个包含300个任务的可执行基准，源自297个CVE、167个代码库、85个CWE和五种语言生态系统。每个任务包括漏洞和修复版本、固定的分析环境和检查器脚手架。该基准评估代理从缺陷规范解释、代码库检查到实现分析逻辑和通过编译反馈细化检查器的全过程能力，填补现有编码代理基准在完整检查器开发评估上的空白。（论文赞 52）
在 Hugging Face 查看
排行第七：Sherpa：教LLM自适应教学
本文提出Sherpa框架，通过多轮强化学习训练语言模型作为教师，模拟不同学习风格的学生，使教师模型能够根据个体学习差异调整教学策略，提升教学效果。（论文赞 6）
在 Hugging Face 查看
排行第八：学习功能子空间用于神经网络压缩
本文提出可学习子空间投影（LSP）方法，通过端到端学习选择要丢弃的权重子空间，避免传统方法因忽略误差传播导致压缩后性能下降的问题。（论文赞 3）
在 Hugging Face 查看
排行第九：分段MoE：可配置推理复杂度的路由
本文提出统一框架，将弹性结构与稀疏门控架构结合，使大语言模型能同时适应部署约束和任务需求，实现计算资源与性能的协同优化。（论文赞 2）
在 Hugging Face 查看
排行第十：运动学MeanFlow：机器人基础模型一步动作生成
本文针对机器人基础模型的高推理延迟问题，提出Kinematic MeanFlow方法，通过分析速度场动态特性，实现一步动作生成策略，提升生成效率。（论文赞 1）
在 Hugging Face 查看
排行第十一：OPD前RL：基于策略蒸馏的评分强化学习
本文提出两阶段训练框架，先用评分作为教师上下文进行密集token级监督，再用于强化学习，解决开放性响应评分延迟导致的训练信号不明确问题。（论文赞 4）
在 Hugging Face 查看
排行第十二：基于推理引导的策略优化
本文提出一种新的策略优化方法，通过自适应推理支架引导模型学习推理过程，缓解强化学习中奖励稀疏导致的优化停滞问题。（论文赞 11）
在 Hugging Face 查看
