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 1343，趋势分 1292。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1343 · 趋势分 1292）
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 1942，趋势分 997。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1942 · 趋势分 997）
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 842，趋势分 777。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 842 · 趋势分 777）
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 743，趋势分 695。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 743 · 趋势分 695）
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 3766，趋势分 653。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3766 · 趋势分 653）
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 673，趋势分 539。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 673 · 趋势分 539）
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 7064，趋势分 478。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7064 · 趋势分 478）
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 713，趋势分 392。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 713 · 趋势分 392）
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 17348，趋势分 332。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17348 · 趋势分 332）
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 5425，趋势分 315。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5425 · 趋势分 315）
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 320，趋势分 292。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 320 · 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 284，趋势分 282。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 284 · 趋势分 282）
在 Hugging Face 查看
论文
排行第一：进化机器人中协同进化通信的行为持续性与不完全功能迁移
本研究评估了将协同进化通信协议从2D仿真直接迁移到3D物理环境的效果，未重新训练网络权重。两个e-puck型机器人由带残差连接的GRU网络控制，在具有社交信号的食物搜寻任务中测试。感官和运动转换层需三次修正以确保物理操作稳定，包括基于训练残差权重中可测量不对称性校准饥饿项。即使修正后，迁移仍部分且不对称：一个智能体在30次测试种子中一次到达食物源，另一个则从未到达。
在 Hugging Face 查看
排行第二：评估协同进化通信从2D到3D仿真的迁移
本研究检验两个机器人智能体间协同进化通信机制从离散2D模拟器到具真实物理的3D模拟器的迁移。重点分析2D环境协同进化的通信机制在迁移后是否保留功能角色。通过考察回合时间预算、社交线索及两个协同进化角色间不对称性的影响，结果显示成功率随评估时间预算近似线性增长，在2000至6000物理步数间无平台期证据。
在 Hugging Face 查看
排行第三：Opera：长周期编码智能体的言语批评框架
长周期编码智能体需及时修正，但若反馈误判进行中工作或未解决根本问题，可能无效甚至有害。现有批评器侧重评估轨迹和生成反馈，很少追踪反馈后的情况。Opera言语批评框架将每次修正视为持久注释，持续跟踪直至诊断问题解决。它通过周期性和事件驱动触发器决定何时审查，用类型化操作符诊断问题，交付前根据可见证据审核反馈，并追踪智能体后续行动以区分表面遵从与实质解决。（论文赞 7）
在 Hugging Face 查看
排行第四：技能星座：追踪GitHub上智能体技能供应链
智能体技能是AI编码智能体（如Claude Code和Codex）以用户权限运行的SKILL.md指令和脚本。开发者通过仓库间复制共享技能，形成无注册表、版本或来源的软件供应链。因此复制技能起源、安全补丁覆盖范围及需审查仓库均未知。仅记录单时间点技能持有仓库的研究无法揭示复制路径。我们构建首个带时间戳的智能体技能复制网络，基于GitSkills中每个SKILL.md的git历史，覆盖GitHub上2,193,119次技能采纳。（论文赞 1）
在 Hugging Face 查看
排行第五：用物理注意力偏置预测电缆动力学
可变形线性物体（如电缆）的学习模拟器需预测未训练电缆的运动并在长 rollout 中保持稳定。大部分误差出现在电缆自接触或触地处。对所有电缆段对的注意力可表示长度上相距较远部分的接触，但注意力无几何概念。电缆有两种配对距离（仅伸直时一致）：沿电缆的弧长距离（控制弹力）和空间欧氏距离（控制接触）。我们添加物理注意力偏置，作为注意力logits的加性项。（论文赞 1）
在 Hugging Face 查看
排行第六：异构多任务强化学习的GPU并行框架
GPU并行仿真提供丰富机器人交互，但现有基准很少将这种规模与异构操作任务及标准化多任务RL评估结合。我们推出Hebero（异构机器人学习基准），一个GPU并行的Isaac Lab基准，支持在40个异构任务上高效联合训练和评估单一策略。扩展实验表明，固定时间预算下增加每任务并行副本可提升成功率。为支持稀疏奖励和有限演示的学习，提出演示引导策略优化（DGPO），复用演示实现密集跟踪奖励。（论文赞 2）
在 Hugging Face 查看
排行第七：Mara Chain：将失败转化为AI系统进化阶梯
现有AI系统优化方法常通过提出-评估-选择流程进行，但被丢弃的候选方案往往包含后续优化所需的关键信息。Mara Chain提出一种改进方法，将被拒绝的候选方案保留并迭代优化，避免重复陷入相同的失败模式，从而提升系统自进化能力。（论文赞 2）
在 Hugging Face 查看
排行第八：LLM临床记录中的偶然信息干扰
大型语言模型在临床记录和推理中易受无关信息干扰。研究发现，前沿模型在35%的记录中插入闲聊内容，且在3.7%的案例中错误使用这些信息。背景语音泄露也影响了48.2%的转录，表明模型对非核心信息敏感，影响临床判断。（论文赞 2）
在 Hugging Face 查看
排行第九：冻结模型的多模态医疗AI持续学习
现有医疗AI模型部署后通常冻结，无法从实际应用中学习。本文提出一种模型无关框架，使冻结的LLM和VLM能从部署经验中学习，无需重新训练，避免过拟合和视觉细节丢失，实现持续知识更新。（论文赞 2）
在 Hugging Face 查看
排行第十：模拟合成：可扩展的代理系统数据生成
企业AI中工具调用代理的训练受限于数据和系统限制。现有数据合成方法在结构有效性和分布保真度上存在缺陷。本文提出一种无需模式的合成方法，通过LLM代理在模拟环境中执行操作生成数据，提升数据生成的可扩展性和真实性。（论文赞 3）
在 Hugging Face 查看
排行第十一：SpecFold：多分支冗余加速扩散语言模型解码
扩散语言模型通过迭代去噪生成文本，多分支推测解码可加速过程。本文发现每个推测验证步骤中存在多分支计算冗余，提出利用分支间隐藏状态相似性优化计算，提升解码效率，实现更快速的文本生成。（论文赞 2）
在 Hugging Face 查看
排行第十二：MIRA：音乐意图对齐的文本到音乐生成
文本到音乐生成系统常忽略用户隐含意图。本文提出MIRA框架，将音乐意图对齐建模为可独立验证的项目清单，通过分维度评估生成结果是否满足显性和隐性音乐要求，提升评估的诊断性和准确性。（论文赞 1）
在 Hugging Face 查看
