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 1370，趋势分 1317。标签：embedding_gemma2、embedding、sentence-transformers、multimodal-embedding、multimodal。（点赞 1370 · 趋势分 1317）
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 1947，趋势分 968。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 1947 · 趋势分 968）
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 845，趋势分 780。标签：vllm、kolibri1、reasoning、moe、conversational。（点赞 845 · 趋势分 780）
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 774，趋势分 725。标签：gemma4_unified、image-text-to-text、humanizer、text-rewriting、rewriting。（点赞 774 · 趋势分 725）
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 3783，趋势分 660。标签：qwen、image-generation、comfyui、comfyui-gguf、base_model:Qwen/Qwen-Image-2.1。（点赞 3783 · 趋势分 660）
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 676，趋势分 541。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 676 · 趋势分 541）
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 7079，趋势分 469。标签：diffusion-single-file、text-to-video、video-to-video、image-text-to-video、audio-to-video。（点赞 7079 · 趋势分 469）
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 716，趋势分 378。标签：qwen3_5、clef、cloudflare、systemone、decision-model。（点赞 716 · 趋势分 378）
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 17360，趋势分 332。标签：qwen3_5、conversational、eval-results、deploy:azure、deploy:sagemaker。（点赞 17360 · 趋势分 332）
在 Hugging Face 查看
排行第十：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 319，趋势分 317。标签：diffusers、qwen、image-generation、image-editing、base_model:Qwen/Qwen-Image-2.1。（点赞 319 · 趋势分 317）
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 5430，趋势分 314。标签：laya、system-one、calibrated-decisions、rlcd、classification。（点赞 5430 · 趋势分 314）
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，研究如何在固定步数下预测一种模型的解码调度性能。通过定义调度成本来衡量并行步骤中丢弃的依赖关系，探讨了不同模型在解码过程中的差异。（论文赞 1）
在 Hugging Face 查看
排行第二：协同通信的持续行为与功能转移
本研究评估了在2D仿真中协同进化通信协议直接转移到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网络进行社会信号传递，结果显示转移部分成功且不对称。
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转移到具有真实物理的3D模拟器的效果。分析了时间预算、社会线索和两个协同进化角色之间的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
长时编码代理需要及时纠正，但反馈可能因误判或未能解决根本问题而无效甚至有害。Opera框架将每次纠正视为持久笔记，持续跟踪直至问题解决，通过周期性和事件驱动触发进行审查和诊断。（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
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技能，形成无注册、版本和来源的软件供应链。本文构建了首个基于Git历史的技能复制网络，揭示技能的传播路径和安全修复的覆盖范围。（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
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滚动稳定。大多数误差出现在电缆接触自身或地面时。本文引入物理注意力偏置，增强注意力机制对远距离接触的建模能力。（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，基于GPU并行Isaac Lab平台，支持单一策略在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。为应对稀疏奖励和有限示范，提出DGPO方法，利用示范生成密集跟踪奖励。（论文赞 7）
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系统优化常通过提出-评估-选择流程，但被拒绝的候选方案常包含后续优化所需信息。Mara Chain将被拒绝的候选方案保留并迭代精炼，避免重复失败模式，使失败成为进化的踏板。（论文赞 4）
在 Hugging Face 查看
排行第九：LLM临床笔记中的偶然信息干扰
大型语言模型在临床记录中常插入无关对话，影响临床推理。研究发现前沿模型在35%的笔记中插入闲聊，3.7%出现误用或临床误判。背景语音泄露也影响48.2%的转录，导致信息污染。（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
部署后冻结的LLM和VLM无法从实际案例中学习。提出一种模型无关框架，使冻结模型能从部署经验中学习，避免微调的权重访问需求，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：模拟合成：可扩展的代理系统数据生成
工具调用代理在企业AI中至关重要，但受业务和法律限制难以大规模训练。提出STS框架，通过LLM代理在模拟环境中执行策略约束API操作生成数据，实现无模式依赖的数据合成。（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冗余折叠
扩散语言模型通过迭代去噪生成文本，多分支推测解码加速过程。发现推测验证步骤中存在多分支计算冗余，提出SpecFold方法，利用分支间隐藏状态相似性提升推理效率。（论文赞 3）
在 Hugging Face 查看
