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 1414，趋势分 1354。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1414 · 趋势分 1354）
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 1961，趋势分 914。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1961 · 趋势分 914）
在 Hugging Face 查看
排行第三：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 847，趋势分 797。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 847 · 趋势分 797）
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 849，趋势分 740。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 849 · 趋势分 740）
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 3805，趋势分 666。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3805 · 趋势分 666）
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 677，趋势分 538。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 677 · 趋势分 538）
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 7106，趋势分 483。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7106 · 趋势分 483）
在 Hugging Face 查看
排行第八：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 371，趋势分 366。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 371 · 趋势分 366）
在 Hugging Face 查看
排行第九：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 721，趋势分 362。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 721 · 趋势分 362）
在 Hugging Face 查看
排行第十：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 17377，趋势分 328。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17377 · 趋势分 328）
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 5441，趋势分 315。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5441 · 趋势分 315）
在 Hugging Face 查看
排行第十二：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 323，趋势分 295。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 323 · 趋势分 295）
在 Hugging Face 查看
论文
排行第一：过渡规律的格结构
本文将扩散模型和自回归模型视为同一污染格上的路径，定义了调度成本，研究了在固定步数下预测一种模型解码调度性能的可能性，探讨了不同模型在解码过程中的依赖关系。（论文赞 1）
在 Hugging Face 查看
排行第二：进化机器人中协同通信的持续行为
本文评估了协同进化通信协议从2D仿真到3D物理环境的直接迁移效果，未重新训练网络权重。通过GRU网络控制的两个机器人在食物寻找任务中测试，发现迁移部分有效但不对称，其中一个成功到达食物源。
在 Hugging Face 查看
排行第三：协同通信从2D到3D的迁移评估
本文研究了协同进化通信机制从二维离散模拟器到三维物理模拟器的迁移效果，分析了时间预算、社会信号和角色不对称性对功能保留的影响，结果表明成功率随时间预算线性增加。
在 Hugging Face 查看
排行第四：Opera：长时编码代理的言语批评框架
本文提出Opera框架，将每次修正视为持久笔记，持续跟踪直到问题解决。通过周期性和事件驱动触发审查，诊断问题并审计反馈，区分代理的合规行为与真正解决。（论文赞 8）
在 Hugging Face 查看
排行第五：技能星系：GitHub上的代理技能供应链
本文构建了首个基于Git历史的代理技能复制网络，追踪AI编码代理技能在GitHub上的传播路径，揭示技能来源、安全修复影响范围及需审查的仓库，填补了技能供应链的记录空白。（论文赞 1）
在 Hugging Face 查看
排行第六：基于物理注意力偏置的电缆动力学预测
本文提出物理注意力偏置，通过在注意力 logits 中添加项，区分电缆沿长度的弧长距离和空间欧氏距离，以提高对电缆自接触和地面接触的预测准确性。（论文赞 1）
在 Hugging Face 查看
排行第七：GPU并行异构多任务强化学习框架
提出Hebero基准，一个基于GPU并行的Isaac Lab环境，支持在40个异构任务上高效训练和评估单一策略。通过增加并行实例数量，在固定时间内提升成功率，并引入DGPO方法，利用演示数据生成密集跟踪奖励以支持稀疏奖励和有限演示的学习。（论文赞 8）
在 Hugging Face 查看
排行第八：Mara Chain：将失败转化为AI系统自进化
现有AI系统优化方法常丢弃失败的候选配置，导致重复失败。Mara Chain提出一种改进流程，保留并迭代优化被拒绝的候选，将其转化为后续优化的跳板，避免重复陷入相同失败模式，提升系统自进化能力。（论文赞 5）
在 Hugging Face 查看
排行第九：LLM临床笔记中的偶然信息干扰
研究发现大语言模型在生成临床笔记时会引入与患者会话无关的闲聊内容，影响临床推理。在模拟会诊中，背景语音干扰导致48.2%的转录出现污染，部分模型甚至错误地将这些信息用于临床判断，影响记录质量。（论文赞 2）
在 Hugging Face 查看
排行第十：冻结模型的多模态医疗AI自适应学习
提出一种模型无关框架，使部署后的冻结语言和视觉语言模型能够从实际应用经验中学习。该方法无需重新训练，避免过拟合和视觉细节丢失，支持在医疗领域持续更新知识，适应新证据和治疗变化。（论文赞 2）
在 Hugging Face 查看
排行第十一：仿真合成：可扩展的代理系统数据生成
提出Synthesis Through Simulation（STS）方法，通过LLM代理在模拟环境中执行受策略约束的API操作生成企业数据。该方法无需依赖具体数据模式，避免结构有效性限制，实现分布保真度高的数据合成。（论文赞 3）
在 Hugging Face 查看
排行第十二：SpecFold：扩散语言模型的多分支加速
针对扩散语言模型的多分支推测解码，提出SpecFold方法，利用每个推测验证步骤中的多分支计算冗余。通过共享大部分隐藏状态，减少重复计算，提升推理效率，实现更快的文本生成。（论文赞 3）
在 Hugging Face 查看
