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 1633，趋势分 1507。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1633 · 趋势分 1507）
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 1021，趋势分 894。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 1021 · 趋势分 894）
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 2016，趋势分 731。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 2016 · 趋势分 731）
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 3947，趋势分 632。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3947 · 趋势分 632）
在 Hugging Face 查看
排行第五：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 513，趋势分 504。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 513 · 趋势分 504）
在 Hugging Face 查看
排行第六：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 880，趋势分 467。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 880 · 趋势分 467）
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 7265，趋势分 450。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7265 · 趋势分 450）
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 689，趋势分 403。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 689 · 趋势分 403）
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 17484，趋势分 366。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17484 · 趋势分 366）
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 351，趋势分 320。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 351 · 趋势分 320）
在 Hugging Face 查看
排行第十一：Underdog-Saluki-27B-1.0（文本生成）
Hugging Face 趋势榜上的模型，任务类型是文本生成，点赞 309，趋势分 301。标签：llama.cpp、2-bit、tool-calling、function-calling、agents。（点赞 309 · 趋势分 301）
在 Hugging Face 查看
排行第十二：d1-3B（图文理解）
Hugging Face 趋势榜上的模型，任务类型是图文理解，点赞 292，趋势分 286。标签：lfm2_vl、liquid、lfm2.5、edge、decision。（点赞 292 · 趋势分 286）
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，探讨了不同解码调度的性能预测问题。通过定义调度成本来衡量并行步骤中丢弃的依赖关系，研究发现零成本调度的最少步数由几何结构决定。（论文赞 5）
在 Hugging Face 查看
排行第二：进化机器人中协同通信的持续性
本研究评估了在2D仿真中协同进化通信协议直接迁移到3D物理环境的效果，未重新训练网络权重。两台e-puck型机器人在食物寻找任务中使用GRU网络进行社交信号传递，尽管进行了校准，但迁移效果部分且不对称。（论文赞 4）
在 Hugging Face 查看
排行第三：协同通信从2D到3D的迁移评估
本研究考察了在2D模拟器中协同进化通信机制迁移到具有真实物理的3D模拟器的效果。分析了时间预算、社会线索和角色不对称性的影响，结果表明成功率随时间预算线性增加，未在2000至6000步间出现平台期。（论文赞 4）
在 Hugging Face 查看
排行第四：Opera：长时编码代理的言语批评框架
长时编码代理需要及时纠正，但反馈可能无效甚至有害。Opera框架将每次纠正视为持久笔记，持续追踪直至问题解决。通过周期性和事件驱动触发，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 14）
在 Hugging Face 查看
排行第五：技能星座：GitHub上的代理技能供应链
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、版本和来源的软件供应链。研究构建了首个基于Git历史的技能复制网络，涵盖GitHub上219万次技能采用。（论文赞 5）
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
用于可变形线性物体（如电缆）的学习模拟器需预测未训练过的电缆运动并保持长期稳定。大多数误差发生在电缆接触自身或地面时。注意力机制可表示长距离接触，但缺乏几何概念。本文引入物理注意力偏置，结合弧长和欧氏距离。（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，基于GPU并行Isaac Lab平台，支持单个策略在40个异构任务上的联合训练与评估。通过增加并行实例数量，在固定时间内提升成功率，并提出DGPO方法，利用演示数据生成密集跟踪奖励，支持稀疏奖励和有限演示下的学习。（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
针对AI系统优化中频繁丢弃失败候选配置的问题，提出Mara Chain方法，将被拒绝的候选配置保留并迭代精炼，避免重复陷入相同失败模式，使失败成为后续优化的有用资源，提升系统自演化效率。（论文赞 9）
在 Hugging Face 查看
排行第九：LLM临床笔记中的偶然信息干扰推理
研究发现大型语言模型在生成临床笔记时会引入无关对话内容，导致3.7%的笔记出现错误归因或临床误用。背景语音干扰也影响48.2%的录音转录，表明偶然信息会破坏模型的临床推理准确性。（论文赞 6）
在 Hugging Face 查看
排行第十：冻结模型持续学习：多模态医疗AI的部署经验学习
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从实际应用中学习，无需访问权重或重新训练。通过保存经验并利用文本和视觉信息，实现知识更新，避免过拟合和细节丢失。（论文赞 6）
在 Hugging Face 查看
排行第十一：模拟合成：可扩展代理系统交互生成企业数据
针对企业AI中工具调用代理训练受限的问题，提出STP方法，通过LLM代理在模拟环境中执行策略约束API操作生成数据。该方法无需依赖真实数据或模式，实现结构有效且分布真实的表格数据合成。（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折叠
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。提出SpecFold方法，通过共享大部分隐藏状态，减少重复计算，提升解码效率，利用分支间高度相似性实现更快的推测解码。（论文赞 7）
在 Hugging Face 查看
