Hugging Face 模型趋势榜和每日论文。
模型
排行第一：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 1296，趋势分 1256。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1296 · 趋势分 1256）
在 Hugging Face 查看
排行第二：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 1922，趋势分 1080。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1922 · 趋势分 1080）
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 2105，趋势分 913。标签：gemma4、image-text-to-text、system-one、system-two、adaptive-thinking。（点赞 2105 · 趋势分 913）
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 833，趋势分 768。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 833 · 趋势分 768）
在 Hugging Face 查看
排行第五：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 711，趋势分 668。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 711 · 趋势分 668）
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 3737，趋势分 661。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3737 · 趋势分 661）
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 670，趋势分 617。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 670 · 趋势分 617）
在 Hugging Face 查看
排行第八：GLM5.3-Flash-E224-DGX-Spark（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 555，趋势分 512。标签：vllm、glm5_next、autotrust、moe、nvfp4。（点赞 555 · 趋势分 512）
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 7017，趋势分 481。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7017 · 趋势分 481）
在 Hugging Face 查看
排行第十：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 708，趋势分 429。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 708 · 趋势分 429）
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 5420，趋势分 343。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5420 · 趋势分 343）
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 17323，趋势分 340。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17323 · 趋势分 340）
在 Hugging Face 查看
论文
排行第一：SpecFold：用于扩散语言模型的快速推测解码
扩散语言模型通过迭代去噪生成文本，多分支推测解码通过在单次前向传播中验证主分支和多个草稿分支来加速该过程。本文发现，在推测验证步骤中存在分支间的计算冗余，即草稿分支继承大部分标记，仅解码少量新位置，导致隐藏状态高度相似，从而提出利用这种冗余提升效率。（论文赞 1）
在 Hugging Face 查看
排行第二：MIRA：音乐意图对齐的文本到音乐生成代理
文本到音乐系统生成的音频越来越逼真，但评估难以判断是否符合用户意图。本文提出将文本到音乐意图对齐建模为满足包含显式和隐含音乐意图的独立可验证项的请求清单，通过逐项评分实现诊断性评估，而非单一模糊分数，提升对乐器、结构、节奏等维度的匹配度。（论文赞 1）
在 Hugging Face 查看
排行第三：AI代理能否进行开放科学发现？
现有AI系统在给定明确指标时能取得科学发现进展，但能否自主开展开放性科学发现尚不明确。本文在Station开放世界环境中研究AI能力，引入监督机制和周期性元反思，以支持在缺乏中间指标时持续探索，并基于ICLR近期论文构建开放任务，验证AI在开放任务中的表现。（论文赞 1）
在 Hugging Face 查看
排行第四：Pumpire：度量距离估计统一基准
本文提出Pumpire，一个用于评估图像和视频级3D基础模型点对距离估计能力的统一基准，无论是否使用深度先验。与以往分别评估深度和相机内参或使用几何相似性度量不同，Pumpire直接评估重建几何中的点对距离，构建了包含100个真实场景的大型多样化数据集。（论文赞 1）
在 Hugging Face 查看
排行第五：增量式开放深度研究与结构化框架
现有开放深度研究系统主要从头生成报告，效率低下。本文提出增量式开放深度研究（Incremental-OEDR），将报告视为动态研究状态，通过保留有效知识、修订过时内容和整合新信息来持续更新。为此，提出结构化框架，将报告表示为大纲、章节和证据的结构化集合，并提供结构化检索和持久化支持。（论文赞 1）
在 Hugging Face 查看
排行第六：推理-语言对齐在单语检索增强生成中的作用
推理轨迹可提升大语言模型性能，但当前模型主要在英语中训练。本文研究在检索增强生成（RAG）中，当模型需在目标语言中阅读和整合大量检索证据时，强制其在非英语中推理是否仍会降低准确率。为此，构建了基于《黑暗之眼》桌面角色扮演游戏的德语单语RAG问答测试平台。（论文赞 1）
在 Hugging Face 查看
排行第七：基于深度编程专家的循环视觉Transformer
本文提出一种单个Transformer块循环应用的方法，无需中间特征蒸馏即可达到全深度视觉编码器的精度。reViT通过将每个循环深度的前馈网络表示为共享专家库的凸组合来恢复深度特定变换，使用连续归一化深度坐标编程混合，定义了通过前馈网络参数空间的可重采样轨迹。（论文赞 2）
在 Hugging Face 查看
排行第八：智能体黑盒优化基准研究
黑盒优化在科学和工程问题中普遍存在，目标评估昂贵且有限。最近的大语言模型代理通过结合任务语义、计算工具和反馈驱动决策，展现出巨大潜力。然而现有研究使用不同任务领域和系统配置，难以比较。本文引入AgenticBBO-Bench，一个跨领域的智能体黑盒优化基准，涵盖合成函数和化学等领域。（论文赞 2）
在 Hugging Face 查看
排行第九：Memento 3：基于反思规则书的递归自我改进
学习在陌生环境中行动需要代理推断世界运作方式并根据新证据修订理解。有限观察可能支持多个解释过去交互但预测不同结果的世界模型。Memento 3通过外部记忆持续学习显式世界模型，维护自然语言规则书作为持久语义记忆，记录可修订的环境动态假设，同时保留未知方面。代理将规则书编译为可执行代码用于预测和规划。（论文赞 19）
在 Hugging Face 查看
排行第十：多轮对话中的意图理解研究
当大语言模型处理多轮任务且用户提出更改但最终拒绝时，模型应继续执行而不受干扰。研究发现，提及被拒绝的更改可能破坏任务执行，即使用户最终意图不变。为系统研究语言模型在演变用户意图下的行为，引入Intent-Eval基准，涵盖工具操作、代码、数据库和数学任务。模型对被拒绝提议和被取代需求均敏感。
在 Hugging Face 查看
排行第十一：EDiS：图神经网络的边不相交子图稀疏框架
稀疏GNN训练可减少计算量，但决定保留哪些边可能代价高昂。重复使用一个稀疏图成本低，但限制训练拓扑固定，而每轮变化则需重复采样或重新计算。EDiS框架将一次结构提取与每轮图组合分离，将图分解为可缓存的边不相交子图，再重组为满足边预算约束和保留比率的图，无需重新提取结构。（论文赞 1）
在 Hugging Face 查看
排行第十二：SpaceFlow：局部可控的3D生成
当前3D生成方法缺乏显式局部控制：几何贴合通常由全局控制强度定义，外观无法局部指定。SpaceFlow是一种无需训练的局部可控3D生成管道，基于文本描述和几何原语集合。每个原语作为物体部分的代理，分配局部控制级别，允许用户指定区域是否严格遵循输入形状或允许生成完成。生成结构时，在生成流过程中强制执行这些空间约束。（论文赞 4）
在 Hugging Face 查看
