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 1331，趋势分 1283。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1331 · 趋势分 1283）
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 1935，趋势分 1016。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1935 · 趋势分 1016）
在 Hugging Face 查看
排行第三：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 841，趋势分 776。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 841 · 趋势分 776）
在 Hugging Face 查看
排行第四：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 731，趋势分 684。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 731 · 趋势分 684）
在 Hugging Face 查看
排行第五：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 3754，趋势分 655。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3754 · 趋势分 655）
在 Hugging Face 查看
排行第六：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 672，趋势分 562。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 672 · 趋势分 562）
在 Hugging Face 查看
排行第七：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 7040，趋势分 474。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7040 · 趋势分 474）
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 712，趋势分 402。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 712 · 趋势分 402）
在 Hugging Face 查看
排行第九：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 17342，趋势分 335。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17342 · 趋势分 335）
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 5424，趋势分 323。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5424 · 趋势分 323）
在 Hugging Face 查看
排行第十一：ema-lightning（语音合成）
Hugging Face 趋势榜上的模型，任务类型是语音合成，点赞 319，趋势分 292。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 319 · 趋势分 292）
在 Hugging Face 查看
排行第十二：Qwen-Image-2.1-Turbo（文生图）
Hugging Face 趋势榜上的模型，任务类型是文生图，点赞 257，趋势分 255。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 257 · 趋势分 255）
在 Hugging Face 查看
论文
排行第一：Skill Constellations：追踪GitHub上Agent技能供应链
该论文研究AI编程助手（如Claude Code和Codex）使用的SKILL.md指令和脚本，这些技能通过仓库间复制共享，形成无注册、无版本、无来源的软件供应链。由于复制来源、安全补丁影响范围和需审查仓库未知，作者构建了首个带时间戳的技能复制网络，覆盖GitHub上2,193,119次技能采纳，通过分析每个SKILL.md的git历史来追踪技能传播路径。（论文赞 1）
在 Hugging Face 查看
排行第二：用物理注意力偏置预测电缆动力学
论文针对可变形线性物体（如电缆）的仿真学习，重点解决训练外电缆运动预测和长时模拟稳定性问题。主要误差源于电缆自接触或接触地面时，现有注意力机制缺乏几何感知。作者提出物理注意力偏置，在注意力对数上添加基于电缆弧长距离（控制弹性力）和空间欧氏距离（控制接触）差异的项，以更准确建模远距离接触。（论文赞 1）
在 Hugging Face 查看
排行第三：GPU并行异构多任务强化学习框架
研究提出Hebero基准，利用GPU并行仿真实现40个异构机器人操作任务的联合训练与评估。在固定时间预算下，增加每任务并行副本数可提升成功率。针对稀疏奖励和有限演示数据，提出演示引导策略优化（DGPO），复用演示数据生成密集跟踪奖励，支持Isaac Lab环境中的高效多任务强化学习。（论文赞 2）
在 Hugging Face 查看
排行第四：Mara Chain：将失败重构为AI系统自进化基石
针对已部署AI系统的优化（如提示、技能、代码调整），现有方法通过提议-评估-选择流程丢弃不合格候选。分析发现被弃候选包含关键优化信息，丢弃会导致重复失败。Mara Chain保留被拒候选并迭代重构，将其转化为后续优化的垫脚石，避免相同失败模式重演。（论文赞 2）
在 Hugging Face 查看
排行第五：incidental信息污染病历并干扰LLM临床推理
研究评估LLM在临床文档和推理中对非核心信息的敏感性。在576组医患对话中，前沿模型将闲聊插入35%的病历，质量评分变化≤0.2分；3.7%病历出现误用闲聊内容。模拟咨询中，-10dB背景语音污染48.2%转录文本，污染转录使诊断准确率下降18.2%，揭示 incidental信息对临床AI的潜在风险。（论文赞 2）
在 Hugging Face 查看
排行第六：Frozen Models, Evolving Expertise：多模态医疗A
针对冻结部署的LLM/VLM无法从临床案例学习的问题，提出模型无关框架。现有参数微调需权重访问，无参数方法可能过拟合或丢失视觉细节。该框架通过保存部署经验（含视觉细节和领域知识），使冻结模型能持续学习新证据、指南和疗法，适应医学实践变化。（论文赞 2）
在 Hugging Face 查看
排行第七：通过模拟合成：可扩展代理系统交互生成企业数据
本文提出一种名为Synthesis Through Simulation（STS）的无模式数据合成方法，利用大语言模型代理在模拟环境中执行操作生成结构有效的企业数据，以解决企业数据训练和评估受限的问题。（论文赞 3）
在 Hugging Face 查看
排行第八：SpecFold：用于扩散语言模型的多分支冗余折叠
本文提出SpecFold方法，通过利用扩散语言模型中多分支推测解码的计算冗余，提升文本生成速度，实现更高效的并行验证机制。（论文赞 2）
在 Hugging Face 查看
排行第九：MIRA：音乐意图精炼代理对齐文本到音乐生成
本文提出MIRA代理，通过细化用户文本中的音乐意图，将文本到音乐生成的结果与用户需求更精确对齐，提升生成音乐的可解释性和符合度。（论文赞 1）
在 Hugging Face 查看
排行第十：AI代理能否实现开放科学发现？Station中的证据
本文在Station开放世界环境中研究AI代理在无明确指标情况下的开放科学发现能力，提出监督机制和元反思机制以促进持续探索。（论文赞 4）
在 Hugging Face 查看
排行第十一：Pumpire：统一的度量距离估计基准
本文提出Pumpire基准，用于评估图像和视频级3D基础模型在无深度先验情况下的点对距离估计能力，提供更直接的几何距离评估方法。（论文赞 2）
在 Hugging Face 查看
排行第十二：基于结构化框架的增量开放深度研究
本文提出增量开放深度研究（Incremental-OEDR）框架，通过结构化框架持续更新研究报告，保留有效知识并整合新信息，提升研究维护效率。（论文赞 3）
在 Hugging Face 查看
