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 1348，趋势分 1296。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1348 · 趋势分 1296）
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 1943，趋势分 985。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1943 · 趋势分 985）
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 843，趋势分 778。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 843 · 趋势分 778）
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 750，趋势分 701。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 750 · 趋势分 701）
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 3770，趋势分 655。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3770 · 趋势分 655）
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 674，趋势分 540。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 674 · 趋势分 540）
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 7069，趋势分 475。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7069 · 趋势分 475）
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 389。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 713 · 趋势分 389）
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 17351，趋势分 333。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17351 · 趋势分 333）
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 5426，趋势分 311。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5426 · 趋势分 311）
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 321，趋势分 293。标签：ema-lightning、tts、turkish、speech-synthesis、flow-matching。（点赞 321 · 趋势分 293）
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 294，趋势分 292。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 294 · 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
扩散和自回归模型长期被视为不同生成模型类别，近期工作尝试结合两者，但混合模型的解码调度通常预先固定。本文将扩散、自回归及中间模型描述为同一“腐败格”上的路径，定义调度成本为并行步骤丢弃的依赖，旨在预测固定步数下一种模型的解码调度性能，指出零成本调度的最少步数由几何结构决定。（论文赞 1）
在 Hugging Face 查看
排行第二：进化机器人中协同进化通信的行为持续性与不完全功能转移
研究未重新训练网络权重的情况下，协同进化通信协议从2D仿真到3D物理环境的直接转移。两个e-puck型机器人（GRU网络控制）执行食物寻找社交任务，感官和电机翻译层需三次修正（如饥饿项校准），但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。
在 Hugging Face 查看
排行第三：协同进化通信从2D到3D仿真的转移效果评估
研究协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，关注其功能是否保留。分析了剧集时间预算、社交线索、角色不对称的影响，结果表明成功率随时间预算线性增加，在2000至6000物理步间无平台期迹象。
在 Hugging Face 查看
排行第四：Opera：长视野编码代理的语言批评框架
长视野编码代理需及时纠正，但反馈可能无效（误判或未解决根本问题）。现有方法仅关注轨迹评估和反馈生成，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，跟踪后续行动以区分单纯合规与真正解决问题。（论文赞 7）
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（SKILL.md指令和脚本）由开发者通过仓库间复制共享，形成无注册表、版本或来源的软件供应链，导致技能起源、安全修复范围等信息未知。现有单一时间点研究无法揭示复制关系。本文基于GitSkills中所有SKILL.md的git历史，构建首个带时间的代理技能复制网络，覆盖GitHub上219万次技能采用。（论文赞 1）
在 Hugging Face 查看
排行第六：基于物理注意力偏差的电缆动力学预测
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，误差多来自自接触或地面接触。注意力机制可表示远距离段接触，但无几何概念。电缆的弧长距离（弹性力）和欧氏距离（接触）仅直线时一致，本文添加物理注意力偏差（注意力对数的加性项）以改进预测。（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个异构任务上联合训练和评估单一策略。通过增加任务并行实例，可在固定时间内提高成功率，并提出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 2）
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，但被丢弃的候选配置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，将被拒绝的候选配置保留并迭代优化，避免重复陷入相同失败模式，从而提升系统自演化效率。（论文赞 3）
在 Hugging Face 查看
排行第九：偶然信息污染病历记录影响临床推理
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%的记录中插入闲聊内容，部分情况下错误地将非临床信息用于临床判断。背景语音泄露也影响了48.2%的转录文本，干扰了临床决策过程。（论文赞 2）
在 Hugging Face 查看
排行第十：冻结模型的持续学习：多模态医疗AI的部署经验学习
大型语言模型和视觉语言模型部署后通常保持冻结状态，无法从实际案例中学习。提出一种模型无关框架，使冻结的模型能够从部署经验中学习，避免微调所需权重访问和训练，同时保留视觉细节和可靠领域知识。（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
提出一种无模式的仿真数据合成方法（STS），通过LLM代理在模拟环境中执行操作生成企业数据。该方法克服了传统表格合成的结构有效性限制和程序方法的分布保真度不足问题，实现可扩展的代理-系统交互数据生成。（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，多分支推测解码可加速该过程。提出SpecFold方法，利用推测验证步骤中多分支计算冗余，通过共享大部分隐藏状态提高效率，实现更快的推测解码。（论文赞 2）
在 Hugging Face 查看
