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 1487，趋势分 1416。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1487 · 趋势分 1416）
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 1983，趋势分 856。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1983 · 趋势分 856）
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 938，趋势分 828。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 938 · 趋势分 828）
在 Hugging Face 查看
排行第四：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 3857，趋势分 672。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3857 · 趋势分 672）
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 858，趋势分 583。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 858 · 趋势分 583）
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 679，趋势分 487。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 679 · 趋势分 487）
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 7155，趋势分 473。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7155 · 趋势分 473）
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 433，趋势分 427。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 433 · 趋势分 427）
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 17414，趋势分 340。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17414 · 趋势分 340）
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 728，趋势分 328。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 728 · 趋势分 328）
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 332，趋势分 302。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 332 · 趋势分 302）
在 Hugging Face 查看
排行第十二：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 5456，趋势分 299。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5456 · 趋势分 299）
在 Hugging Face 查看
论文
排行第一：过渡定律的晶格
扩散和AR是不同生成模型，近年混合模型但解码调度固定。本文研究能否在固定步数前预测解码调度性能，将两者及中间模型描述为腐败晶格上的路径，定义调度成本为并行步骤丢弃的依赖，发现零成本调度的最少步数由几何决定。（论文赞 1）
在 Hugging Face 查看
排行第二：进化机器人中共同进化通信的行为持续性与不完全功能转移
评估共同进化的通信协议从2D仿真到3D物理环境的直接转移（不重新训练网络权重），两个e-puck型机器人用GRU网络完成食物寻找任务，感觉和电机翻译层需三个纠正才稳定，转移仍部分且不对称，一个机器人在30次测试中仅一次成功，另一个从未成功。
在 Hugging Face 查看
排行第三：评估共同进化通信从2D到3D仿真的转移
考察共同进化的通信机制从离散2D模拟器到带真实物理的3D模拟器的转移，关注2D中进化的机制在3D中是否保留功能，分析剧集时间预算、社会线索、角色不对称性的影响，发现成功率随时间预算线性增加，2000至6000物理步未出现平台期。
在 Hugging Face 查看
排行第四：Opera：长视野编码代理的语言批评框架
长视野编码代理需要及时纠正，但反馈可能无效或有害（误判工作或未解决根本问题）。现有方法关注评估轨迹和生成反馈，很少跟踪反馈后情况。Opera将每个纠正视为持久笔记，通过定期和事件驱动触发审查，用类型化算子诊断问题，交付前审核反馈，跟踪后续行动区分合规与真正解决问题。（论文赞 10）
在 Hugging Face 查看
排行第五：技能星座：追踪GitHub上代理技能的供应链
代理技能是SKILL.md指令和脚本，开发者通过复制在仓库间共享，形成无注册表、版本或来源的软件供应链，无法追踪技能来源、安全修复范围等。本文构建首个带时间的代理技能复制网络，基于GitSkills中所有SKILL.md的git历史，覆盖GitHub上219万余次技能采用，解决单一时间点研究无法揭示复制关系的问题。（论文赞 1）
在 Hugging Face 查看
排行第六：用物理注意力偏差预测电缆动力学
可变形线性物体（DLOs）如电缆的学习模拟器需预测未训练电缆的运动并长期稳定，误差多发生在自接触或接触地面时。注意力可表示远距离段接触但无几何概念，电缆有弧长距离（控制弹性力）和欧氏距离（控制接触），本文添加物理注意力偏差（注意力对数上的加性项）以解决该问题。（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框架，支持在40个异构任务上高效联合训练和评估单一策略。通过增加每个任务的并行实例，提升在固定时间内任务成功率。为解决稀疏奖励和有限示范问题，提出DGPO方法，利用示范生成密集跟踪奖励。（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，但被拒绝的候选方案往往包含关键信息，直接丢弃会导致重复失败。Mara Chain提出一种精炼流程，将被拒绝的候选方案保留并迭代改进，使其成为后续优化的基石，避免重复错误。（论文赞 5）
在 Hugging Face 查看
排行第九：偶然信息污染病历笔记干扰临床推理
大型语言模型在临床记录和推理中易受无关信息干扰。分析576个医患对话发现，前沿模型在35%的笔记中插入闲聊，平均质量评分变化不超过0.2。在57次模拟咨询中，背景语音泄漏导致48.2%的转录受影响，部分模型误用或误归因这些信息。（论文赞 2）
在 Hugging Face 查看
排行第十：冻结模型持续进化：多模态医疗AI经验学习
部署后冻结的大型语言模型和视觉语言模型无法从解决的病例中学习，而微调需要访问权重和额外训练。参数无关方法可能过拟合验证集或丢失视觉细节。提出一种模型无关框架，使冻结模型能够从部署经验中学习，避免训练和知识丢失。（论文赞 2）
在 Hugging Face 查看
排行第十一：仿真合成：通过代理系统交互生成企业数据
工具调用代理在企业AI中日益重要，但受业务和法律限制，其训练和评估受限。表格数据合成受结构有效性和模式可用性限制，程序方法缺乏分布保真度。提出STS，一种无模式数据合成范式，通过LLM代理在模拟环境中执行策略约束API操作生成数据。（论文赞 3）
在 Hugging Face 查看
排行第十二：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，多分支推测解码通过单次前向传播验证主分支和多个草稿分支加速过程。现有方法主要利用去噪步骤间的时序冗余，本文发现推测验证步骤内存在多分支计算冗余，提出SpecFold方法优化该冗余以提升解码速度。（论文赞 3）
在 Hugging Face 查看
