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 1546，趋势分 1443。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1546 · 趋势分 1443）
在 Hugging Face 查看
排行第二：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 987，趋势分 864。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 987 · 趋势分 864）
在 Hugging Face 查看
排行第三：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 2005，趋势分 797。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 2005 · 趋势分 797）
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 3900，趋势分 666。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3900 · 趋势分 666）
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 874，趋势分 527。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 874 · 趋势分 527）
在 Hugging Face 查看
排行第六：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 476，趋势分 468。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 476 · 趋势分 468）
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 7209，趋势分 460。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7209 · 趋势分 460）
在 Hugging Face 查看
排行第八：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 686，趋势分 438。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 686 · 趋势分 438）
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 17455，趋势分 352。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17455 · 趋势分 352）
在 Hugging Face 查看
排行第十：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 347，趋势分 316。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 347 · 趋势分 316）
在 Hugging Face 查看
排行第十一：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 745，趋势分 310。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 745 · 趋势分 310）
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 5476，趋势分 292。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5476 · 趋势分 292）
在 Hugging Face 查看
论文
排行第一：过渡定律的格结构：扩散与自回归模型的解码调度分析
扩散与自回归（AR）长期被视为不同生成模型类别，近期工作尝试结合但混合模型固定解码调度。本文探讨能否在固定步数前预测模型解码调度性能，将两类模型及中间模型描述为一个腐败格上的路径，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 5）
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
本工作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型机器人在食物寻找任务中使用带残差连接的GRU网络，感觉和运动翻译层需三次修正才稳定。即使修正后，转移仍部分且不对称：一个机器人在30次测试中1次找到食物，另一个从未成功。（论文赞 4）
在 Hugging Face 查看
排行第三：共同进化通信从2D到3D仿真的转移效果评估
本工作考察机器人代理间的共同进化通信机制从离散2D模拟器到带真实物理的3D模拟器的转移，关注其功能是否保留。分析剧集时间预算、社交线索、角色不对称性的影响，结果显示成功率随时间预算线性增加，在2000至6000物理步间无平台期。（论文赞 4）
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，诊断问题、审核反馈，跟踪后续行动区分合规与真正解决问题。（论文赞 14）
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AI编码代理运行的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。现有研究无法揭示复制来源。本文贡献首个带时间的技能复制网络，基于GitSkills中所有SKILL.md的git历史，覆盖GitHub上219万次技能采用，追踪技能供应链。（论文赞 5）
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（如电缆）的学习模拟器需预测未训练电缆的运动并在长滚转中稳定，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（弹性力）和欧氏（接触）距离，本文添加物理注意力偏差（注意力对数上的加性项）来改进预测。（论文赞 5）
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 12）
在 Hugging Face 查看
排行第八：Mara Chain：将失败转化为AI系统自演化的阶梯
现有AI系统优化方法常通过提出-评估-选择流程，但被拒绝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，避免重复失败模式，从而提升系统自演化效率。（论文赞 9）
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非相关对话干扰，研究发现前沿模型在35%的笔记中插入闲聊内容，3.7%的笔记出现误用或临床误判。背景语音泄漏也影响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 6）
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
现有医疗AI模型部署后通常冻结，无法从实际案例中学习。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，避免微调的权重访问需求，同时避免参数无关方法的过拟合和视觉细节丢失问题。（论文赞 6）
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
提出Synthesis Through Simulation（STS）方法，一种无模式的表格数据合成范式，通过LLM代理在模拟环境中执行策略约束API操作生成数据，克服传统方法在结构有效性和分布保真度上的局限。（论文赞 7）
在 Hugging Face 查看
排行第十二：SpecFold：扩散语言模型的多分支冗余加速解码
针对扩散语言模型的多分支推测解码，发现每步验证中存在多分支计算冗余，即子分支与父分支的隐藏状态高度相似。提出SpecFold方法，利用这种冗余在单次前向传播中加速主分支与多个草稿分支的验证过程。（论文赞 7）
在 Hugging Face 查看
